爬虫中XPath语法四个重要概念及示例

在编写爬虫时,XPath是一种非常重要的技术,它允许你在XML或HTML文档中快速定位和提取数据。XPath包含四个重要的概念:节点(Node),元素(Element),属性(Attribute)和文本(Text)。

  1. 节点(Node):在XPath中,有七种类型的节点:元素、属性、文本、命名空间、处理指令、注释和根节点。
  2. 元素(Element):一个元素包含开始标签、结束标签以及位于两者之间的文本。
  3. 属性(Attribute):属性总是包含值。
  4. 文本(Text):文本节点总是包含字符数据。它可以是元素或属性的值,或者是元素的直接子节点。

下面是XPath的四个重要概念的示例代码:

  1. 选取元素:



from lxml import etree
 
text = """
<div>
    <ul>
         <li class="item-0">first item</li>
         <li class="item-1"><a>second item</a></li>
         <li class="item-inactive">third item</li>
         <li class="item-1"><a class="item-1">fourth item</a></li>
     </ul>
 </div>
"""
 
html = etree.HTML(text)
 
# 选取所有的li元素
items = html.xpath('//li')
print(items)
  1. 选取属性:



from lxml import etree
 
text = """
<div>
    <ul>
         <li class="item-0">first item</li>
         <li class="item-1"><a>second item</a></li>
         <li class="item-inactive">third item</li>
         <li class="item-1"><a class="item-1">fourth item</a></li>
     </ul>
 </div>
"""
 
html = etree.HTML(text)
 
# 选取所有li元素的class属性
classes = html.xpath('//li/@class')
print(classes)
  1. 选取文本:



from lxml import etree
 
text = """
<div>
    <ul>
         <li class="item-0">first item</li>
         <li class="item-1"><a>second item</a></li>
         <li class="item-inactive">third item</li>
         <li class="item-1"><a class="item-1">fourth item</a></li>
     </ul>
 </div>
"""
 
html = etree.HTML(text)
 
# 选取所有li元素的文本
texts = html.xpath('//li/text()')
print(texts)
  1. 选取多种元素:



from lxml import etree
 
text = """
<div>
    <ul>
         <li class="item-0">first item</li>
         <li class="item-1"><a>second item</a></li>
         <li class="item-inactive">third item</li>
         <li class="item-1"><a class="item-1">fourth item</a></li>
     </ul>
 </div>
"""
 
html = etree.HTML(text)
 
# 选取所有li元素的文本和a元素的文本
results = html.xpath('//li/text() | //a/text()')
print(results)

以上代码展示了如何使用XPath选取HTML文档中的元素、属性、文本以及如何选取多种类型的节点。在实际爬虫项目中,可以根据需要编写相应的XPath表达式来提取所需的数据。

none
最后修改于:2024年08月23日 11:40

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日