python數(shù)據(jù)解析之XPath詳解
XPath
XPath即為XML路徑語言(XML Path Language),它是一種用來確定XML文檔中某部分位置的語言。
xpath是最常用且最便捷高效的一種解析方式,通用型強,其不僅可以用于python語言中,還可以用于其他語言中,數(shù)據(jù)解析建議首先xpath。
XPath使用方法
xpath解析原理:
實例化一個etree的對象,且需要將被解析的頁面源代碼數(shù)據(jù)加載到該對象中
調(diào)用etree對象中的xpath方法結(jié)合著xpath表達(dá)式實現(xiàn)標(biāo)簽的定位和內(nèi)容的捕獲
安裝lxml
pip install -i https://mirrors.aliyun.com/pypi/simple/ lxml
from lxml import etree tree = etree.parse('./tree.html') #從本地加載源碼,實例化一個etree對象。必須是本地的文件,不能是字符串 tree = etree.HTML(源碼) #從互聯(lián)網(wǎng)加載源碼,實例化etree對象 # / 表示從從根節(jié)點開始,一個 / 表示一個層級,//表示多個層級 r = tree.xpath('//div//a') #以列表的形式返回div下的所有的a標(biāo)簽對象的地址 r = tree.xpath('//div//a')[1] #返回div下的第二個a標(biāo)簽對象地址 r = tree.xpath('//div[@class="tang"]') #以列表的形式返回tang標(biāo)簽地址 r = tree.xpath('//div[@class="tang"]//a') #以列表的形式返回tang標(biāo)簽下所有的a標(biāo)簽地址 #獲取標(biāo)簽中的文本內(nèi)容 r = tree.xpath('//div[@class="tang"]//a/text()') #以列表的形式返回所有a標(biāo)簽中的文本 #獲取標(biāo)簽中屬性值 r = tree.xpath('//div//a/@href') ##以列表的形式返回所有a標(biāo)簽中href屬性值
tree.html
<html lang="en"> <head> <meta charset="utf-8" /> <meta name="theme-color" content="#ffffff"></meta> <title>xpaht測試</title> </head> <body> <div> <p>百里守約</p> </div> <div class="song"> <p>前程似錦</p> </div> <div class="song"> <p>前程似錦2</p> </div> <div class="ming"> #后面改了名字 <p>以夢為馬</p> </div> <div class="tang"> <ul> <li><a title='qing'>清明時節(jié)</a></li> <li><a title='qing'>秦時明月</a></li> <li><a title='qing'>漢時關(guān)</a></li> </ul> </div> <flink-root></flink-root> <script type="text/javascript" src="runtime.0dcf16aad31edd73d8e8.js"></script> <script type="text/javascript" src="es2015-polyfills.923637a8e6d276e6f6df.js"></script> <script type="text/javascript" src="polyfills.bb2456cce5322b484b77.js"></script> <script type="text/javascript" src="main.8128365baee3dc30e607.js"></script> </body> </html>
案例—58二手房
將頁面中的房源名稱解析出來,即將title值解析出來就行
思路
- 獲取房源名稱所在的url,并獲取其響應(yīng)數(shù)據(jù)
- 數(shù)據(jù)解析,構(gòu)造xpath表達(dá)式。提取目標(biāo)數(shù)據(jù)
import requests from lxml import etree url = "https://bj.58.com/ershoufang/p1/" headers={ 'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Mobile Safari/537.36' } pag_response = requests.get(url,headers=headers,timeout=3).text #實例化一個etree對象 tree = etree.HTML(pag_response) r = tree.xpath('//span[@class="content-title"]/text()') #獲取所有//span標(biāo)簽為"content-title"的文本內(nèi)容 print(r)
Tips:我們使用xpath進(jìn)行數(shù)據(jù)解析時,不能直接看元素就進(jìn)行構(gòu)造xpath表達(dá)式,以為很多情況下從瀏覽中看的元素結(jié)構(gòu)和爬取下來的源碼結(jié)構(gòu)不一樣。所以正確方法是先將源碼爬下來再觀察進(jìn)行構(gòu)造xpath。
如下瀏覽器中的元素結(jié)構(gòu)和爬取的元素結(jié)構(gòu)就不一樣。如果按照瀏覽器匯總的元素來構(gòu)造xpath表達(dá)式,則不會解析成功!
總結(jié)
本篇文章就到這里了,希望能夠給你帶來幫助,也希望您能夠多多關(guān)注腳本之家的更多內(nèi)容!
相關(guān)文章
SpringBoot調(diào)用python接口的實現(xiàn)步驟
本文主要介紹如何利用Springboot框架調(diào)用python腳本,文中通過示例代碼介紹的非常詳細(xì),具有一定的參考價值,感興趣的小伙伴們可以參考一下2021-12-12Matplotlib實戰(zhàn)之平行坐標(biāo)系繪制詳解
平行坐標(biāo)系是一種統(tǒng)計圖表,它包含多個垂直平行的坐標(biāo)軸,每個軸表示一個字段,并用刻度標(biāo)明范圍,下面我們就來看看如何繪制平行坐標(biāo)系吧2023-08-08