HTML解析

import bs4  
import requests  
from lxml import etree  

url = 'http://www.lzbs.com.cn/ttnews/2022-04/21/content_4957183.htm'  
response = requests.get(url, headers={"User-Agent": "Mozilla/5.0"}).content  
soup = bs4.BeautifulSoup(response, 'lxml')  
content_list = soup.select(".articalCont > p")[:-2]  
# content_list = soup.select(".articalCont>p:first-child")  
print(content_list)  
contents = ''  
for content in content_list:  
    contents += content.text  
  
print(contents)
  
s = '<a href="http://www.lzbs.com.cn/ttnews/2022-04/21/content_4957183.htm">聚焦难点动真格 分类施策求实效 科学精准尽心尽责化解“登记难”</a>'  
res = etree.parse(url, parser=etree.HTMLParser()).xpath('//div[@class="articalCont"]/p/text()')  
res = etree.fromstring(s).xpath('//a/text()')  # 获取a标签的文本  
res = etree.fromstring(s).xpath('//a/@href')  # 获取a标签的链接  
print(res)  

xpath操作示例

# XML示例文档  
<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
  <book class="book">
    <title lang="eng">Harry Potter</title>
    <price>29.99</price>
  </book> 
  <book class="book hd">  
    <title lang="eng">Learning XML</title>
    <price>39.95</price>
  </book>
</bookstore>
# 选取XML节点
"""
@              选取属性
bookstore      选取 bookstore 元素的所有子节点。  
/bookstore     选取根元素 bookstore。注释:假如路径起始于正斜杠( / ),则此路径始终代表到某元素的绝对路径!  
bookstore/book 选取属于 bookstore 的子元素的所有 book 元素。  
//book         选取所有 book 子元素,而不管它们在文档中的位置。  
bookstore//book    选择属于 bookstore 元素的后代的所有 book 元素,而不管它们位于 bookstore 之下的什么位置。  
//@lang            选取名为 lang 的所有属性。  
  
/bookstore/book[1]         选取属于 bookstore 子元素的第一个 book 元素。  
/bookstore/book[last()]        选取属于 bookstore 子元素的最后一个 book 元素。  
/bookstore/book[last()-1]      选取属于 bookstore 子元素的倒数第二个 book 元素。  
/bookstore/book[position()<3]  选取最前面的两个属于 bookstore 元素的子元素的 book 元素。  
//title[@lang]     选取所有拥有名为 lang 的属性的 title 元素。  
//title[@lang='eng']   选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。
//book[contains(@class, 'book')]   选取 book 元素,且这些元素拥有class包含book的属性 
/bookstore/book[price>35.00]       选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于 35.00。  
/bookstore/book[price>35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。  
  
//book/title | //book/price        选取 book 元素的所有 title 和 price 元素。  
//title | //price              选取文档中的所有 title 和 price 元素。  
/bookstore/book/title | //price    选取属于 bookstore 元素的 book 元素的所有 title 元素,以及文档中所有的 price 元素。  
"""
posted @ 2022-04-22 17:52  cnblogs用户  阅读(36)  评论(0编辑  收藏  举报