xpath

Xpath简介

XPath即为XML路径语言，它是一种用来确定XML（标准通用标记语言的子集）文档中某部分位置的语言。XPath基于XML的树状结构，有不同类型的节点，包括元素节点，属性节点和文本节点，提供在数据结构树中找寻节点的能力。起初 XPath 的提出的初衷是将其作为一个通用的、介于XPointer与XSLT间的语法模型。但是 XPath 很快的被开发者采用来当作小型查询语言。

  简单来说我们通过Xpath可以获取XML中的指定元素和指定节点的值。在网络爬虫中我们通过会把爬虫获取的HTML数据转换成XML结构，然后通过XPath解析，获取我们想要的结果。

一．选取节点

二.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。

谓语被嵌在方括号中。

三. 通配符

 

四．多路径选择

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

 

五．XPath 轴

轴可定义相对于当前节点的节点集。

 

六．常用的功能函数

使用功能函数能够更好的进行模糊搜索

import requests
from lxml import etree
url = 'https://www.qiushibaike.com/'

rep = requests.get(url)
rep.encoding = rep.apparent_encoding
html = etree.HTML(rep.text)


res = html.xpath('//div[@class="content"]') # 获取所有class=content的div
res = html.xpath('//div[@class="content"]//span')  # 获取所有class=content的div下的所有span标签
res = html.xpath('//div[@class="content"]/span')  # 获取所有class=content的div下span标签（子级）

res = html.xpath('//div[@class="content"]')[0]  # 获取第一个div对象
print(res.xpath('../@href'))  # ../当前节点的父节点， 获取当前节点父节点的href属性

res = html.xpath('//div[@class="content"]//span')[0]  # 获取第一个span对象
print(res.xpath('./parent::*'))  #  获取当前节点的父节点

res = html.xpath('//div[@class="content"]')[0]  # 获取第一个div对象
print(res.xpath('./span/text()'))  # # ./当前节点，获取当前节点下的span节点

res = html.xpath('//div[@class="content"]/child::span')  #  获取所有class=content的div的左右子元素且为span的节点

res = html.xpath('//div[@class="content"]/span/text()')  # 获取文本

res = html.xpath('//div[@class="content"]/@class')  # 获取属性

　　

七．使用xpath采集糗事百科

from lxml import etree
import requests
import re
import json

li = []
for i in range(1, 10):

    if i == 1:
        URL = "https://www.qiushibaike.com/"
    else:
        URL = "https://www.qiushibaike.com/8hr/page/%s/" % str(i)

    response = requests.get(URL)
    response.encoding = 'UTF-8'
    html = etree.HTML(response.text)

    # 获取所有的段子
    dz = html.xpath('//div[@id="content-left"]/div')

    for item in dz:
        dic = {}
        # 获取用户昵称
        name = item.xpath('.//h2/text()')
        age = item.xpath('.//div[@class="articleGender womenIcon"]/text()')
        if not age:
            age = item.xpath('.//div[@class="articleGender manIcon"]/text()')
        else:
            age = None
        content = item.xpath('.//div[@class="content"]/span')[0]
        content = content.xpath('string(.)')
        img_src = item.xpath('.//div[@class="thumb"]//img/@src')
        # 格式化地址
        if img_src:
            img_src = '%s' + img_src[0]
            src = img_src % 'https:'
            dic['src'] = src
        if age:
            dic['age'] = age[0].strip()
        dic['name'] = name[0].strip()
        dic['content'] = content
        li.append(dic)

data = json.dumps(li, ensure_ascii=False, indent=4)
with open('xpath_bk', 'wb') as f:
    f.write(bytes(data,encoding='utf-8'))