做类似淘宝的网站,asp.net 创建网站,网站开发培训哪家好,做3d图的网站有哪些软件有哪些文章目录一. XML1. XML 和 HTML 的区别2. XML文档示例3. HTML DOM 模型示例4. XML的节点关系二. 什么是XPath#xff1f;1. 选取节点2. 谓语#xff08;Predicates#xff09;3. 选取未知节点4. 选取若干路径5. XPath的运算符三. lxml库1. 初步使用2. 文件读取四. XPath实例…
文章目录一. XML1. XML 和 HTML 的区别2. XML文档示例3. HTML DOM 模型示例4. XML的节点关系二. 什么是XPath1. 选取节点2. 谓语Predicates3. 选取未知节点4. 选取若干路径5. XPath的运算符三. lxml库1. 初步使用2. 文件读取四. XPath实例测试1. 获取所有的 li 标签2. 继续获取 li 标签的所有 class属性3. 继续获取 li标签下href 为 link1.html 的 a 标签4. 获取 li 标签下的所有 span 标签5. 获取 li 标签下的 a标签里的所有 class6. 获取最后一个 li 的 a 的 href7. 获取倒数第二个元素的内容8. 获取 class 值为 bold 的标签名一. XML
有人说我正则用的不好处理HTML文档很累有没有其他的方法
有那就是XPath我们可以先将 HTML文件 转换成 XML文档然后用 XPath 查找 HTML 节点或元素。
XML 指可扩展标记语言EXtensible Markup LanguageXML 是一种标记语言很类似 HTMLXML 的设计宗旨是传输数据而非显示数据XML 的标签需要我们自行定义。XML 被设计为具有自我描述性。XML 是 W3C 的推荐标准
W3School官方文档http://www.w3school.com.cn/xml/index.asp
1. XML 和 HTML 的区别 2. XML文档示例
?xml version1.0 encodingutf-8?bookstorebook categorycookingtitle langenEveryday Italian/title authorGiada De Laurentiis/author year2005/year price30.00/price/book book categorychildrentitle langenHarry Potter/title authorJ K. Rowling/author year2005/year price29.99/price/book book categorywebtitle langenXQuery Kick Start/title authorJames McGovern/author authorPer Bothner/author authorKurt Cagle/author authorJames Linn/author authorVaidyanathan Nagarajan/author year2003/year price49.99/price/bookbook categoryweb coverpaperbacktitle langenLearning XML/title authorErik T. Ray/author year2003/year price39.95/price/book/bookstore3. HTML DOM 模型示例
HTML DOM 定义了访问和操作 HTML 文档的标准方法以树结构方式表达 HTML 文档。
4. XML的节点关系
下面一个简单的XML例子中
?xml version1.0 encodingutf-8?bookstorebooktitleHarry Potter/titleauthorJ K. Rowling/authoryear2005/yearprice29.99/price/book/bookstore父Parent 每个元素以及属性都有一个父。book 元素是 title、author、year 以及 price 元素的父。子Children元素节点可有零个、一个或多个子。title、author、year 以及 price 元素都是 book 元素的子。同胞Sibling拥有相同的父的节点。title、author、year 以及 price 元素都是同胞。先辈Ancestor某节点的父、父的父等等。title 元素的先辈是 book 元素和 bookstore 元素。后代Descendant某个节点的子子的子等等。bookstore 的后代是 book、title、author、year 以及 price 元素。
二. 什么是XPath
XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言可用来在 XML 文档中对元素和属性进行遍历。
W3School官方文档http://www.w3school.com.cn/xpath/index.asp
XPath 开发工具 开源的XPath表达式编辑工具:XMLQuire(XML格式文件可用) Chrome插件 XPath Helper Firefox插件 XPath Checker
1. 选取节点
XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似。
下面列出了最常用的路径表达式 在下面的表格中我们已列出了一些路径表达式以及表达式的结果
2. 谓语Predicates
谓语用来查找某个特定的节点或者包含某个指定的值的节点被嵌在方括号中。
在下面的表格中我们列出了带有谓语的一些路径表达式以及表达式的结果 3. 选取未知节点
XPath 通配符可用来选取未知的 XML 元素。 在下面的表格中我们列出了一些路径表达式以及这些表达式的结果
4. 选取若干路径
通过在路径表达式中使用“|”运算符您可以选取若干个路径。
在下面的表格中我们列出了一些路径表达式以及这些表达式的结果 5. XPath的运算符
下面列出了可用在 XPath 表达式中的运算符 这些就是XPath的语法内容在运用到Python抓取时要先转换为xml。
三. lxml库
lxml 是 一个HTML/XML的解析器主要的功能是如何解析和提取 HTML/XML 数据。
lxml和正则一样也是用 C 实现的是一款高性能的 Python HTML/XML 解析器我们可以利用之前学习的XPath语法来快速的定位特定元素以及节点信息。
lxml python 官方文档http://lxml.de/index.html
需要安装C语言库可使用 pip 安装pip install lxml 或通过wheel方式安装
1. 初步使用
我们利用它来解析 HTML 代码简单示例
from lxml import etreetext
divulli classitem-0a hreflink1.htmlfirst item/a/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-inactivea hreflink3.htmlthird item/a/lili classitem-1a hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a # 注意此处缺少一个 /li 闭合标签/ul/div
#利用etree.HTML将字符串解析为HTML文档
print(------1------)
print(text)
print (type(text))html etree.HTML(text)
print(-----2-------)
print(html)
print (type(html))# 按字符串序列化HTML文档
result etree.tostring(html)
print(-----3-------)
print(result)
print (type(result))输出结果
------1------divulli classitem-0a hreflink1.htmlfirst item/a/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-inactivea hreflink3.htmlthird item/a/lili classitem-1a hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a # 注意此处缺少一个 /li 闭合标签/ul/divclass str
-----2-------
Element html at 0x1e839453708
class lxml.etree._Element
-----3-------
bhtmlbodydiv\n ul\n li classitem-0a hreflink1.htmlfirst item/a/li\n li classitem-1a hreflink2.htmlsecond item/a/li\n li classitem-inactivea hreflink3.htmlthird item/a/li\n li classitem-1a hreflink4.htmlfourth item/a/li\n li classitem-0a hreflink5.htmlfifth item/a # #27880;#24847;#65292;#27492;#22788;#32570;#23569;#19968;#20010; /li #38381;#21512;#26631;#31614;\n /ul\n /div\n/body/html
class byteslxml 可以自动修正 html 代码例子里不仅会补全 li 标签还添加了 bodyhtml 标签。
2. 文件读取
除了直接读取字符串lxml还支持从文件里读取内容。我们新建一个hello.html文件
!-- hello.html --divulli classitem-0a hreflink1.htmlfirst item/a/lili classitem-1a hreflink2.htmlsecond item/a/lili classitem-inactivea hreflink3.htmlspan classboldthird item/span/a/lili classitem-1a hreflink4.htmlfourth item/a/lili classitem-0a hreflink5.htmlfifth item/a/li/ul/div再利用 etree.parse() 方法来读取文件。
from lxml import etree# 读取外部文件 hello.html
html1 etree.parse(./hello.html)
result1 etree.tostring(html1, pretty_printTrue)print(--------------------)
print(result1)print(-------如果是文件读取需要使用prase(),而不是用HTML,否则会出现下边结果---------)html2 etree.HTML(./hello.html)
result2 etree.tostring(html2, pretty_printTrue)
print(result2)运行结果
--------------------
bdiv\n ul\n li classitem-0a hreflink1.htmlfirst item/a/li\n li classitem-1a hreflink2.htmlsecond item/a/li\n li classitem-inactivea hreflink3.htmlspan classboldthird item/span/a/li\n li classitem-1a hreflink4.htmlfourth item/a/li\n li classitem-0a hreflink5.htmlfifth item/a/li\n /ul\n /div\n
-------如果是文件读取需要使用prase(),而不是用HTML,否则会出现下边结果---------
bhtml\n body\n p./hello.html/p\n /body\n/html\n四. XPath实例测试
1. 获取所有的 li 标签
from lxml import etreehtml etree.parse(hello.html)
print (type(html)) # 显示etree.parse() 返回类型result html.xpath(//li)print (result) # 打印li标签的元素集合
print (len(result))
print (type(result))
print (type(result[0]))输出结果
class lxml.etree._ElementTree
[Element li at 0x21658f02608, Element li at 0x21658f02708, Element li at 0x21658f02748, Element li at 0x21658f02788, Element li at 0x21658f027c8]
5
class list
class lxml.etree._Element2. 继续获取 li 标签的所有 class属性
from lxml import etreehtml etree.parse(hello.html)
result html.xpath(//li/class)print(result)
print(type(result))运行结果
[item-0, item-1, item-inactive, item-1, item-0]
class list3. 继续获取 li标签下href 为 link1.html 的 a 标签 from lxml import etreehtml etree.parse(hello.html)
result html.xpath(//li/a[hreflink1.html])print result输出结果
[Element a at 0x23b68132748]
class list4. 获取 li 标签下的所有 span 标签
from lxml import etreehtml etree.parse(hello.html)#result html.xpath(//li/span)
#注意这么写是不对的
#因为 / 是用来获取子元素的而 span 并不是 li 的子元素所以要用双斜杠result html.xpath(//li//span)print(result)
print(type(result))输出结果
[Element span at 0x28d12587508]
class list5. 获取 li 标签下的 a标签里的所有 class
from lxml import etreehtml etree.parse(hello.html)
result html.xpath(//li/a//class)print(result)
print(type(result))输出结果
[bold]
class list6. 获取最后一个 li 的 a 的 href
from lxml import etreehtml etree.parse(hello.html)
result html.xpath(//li/a//class)print(result)
print(type(result))输出结果
[link5.html]
class list7. 获取倒数第二个元素的内容
from lxml import etreehtml etree.parse(hello.html)
result html.xpath(//li[last()-1]/a)# text 方法可以获取元素内容
print (result[0].text)
print (type(result[0].text))输出结果
fourth item
class str
8. 获取 class 值为 bold 的标签名
from lxml import etreehtml etree.parse(hello.html)result html.xpath(//*[classbold])# tag方法可以获取标签名
print (result[0].tag)
print (type(result[0].tag))输出结果
span
class str
