大家好,又见面了,我是全栈君,今天给大家准备了Idea注册码。
xpath是一种在XML文档中定位元素的语言,常用于xml、html文件解析,比css选择器使用方便
XML文件最小构成单元:
- element(元素节点)
- attribute(属性节点)
- text(文本)
- namespace(命名空间)
- processing-instruction(命令处理)
- comment(注释)
- root(根节点)
xpath表达式格式
xpath通过”路径表达式”来选择节点,在表现形式上与传统的文件系统类似
绝对路径(absolute path)必须用”/”起首,后面紧跟根节点,比如/step/step/…
相对路径(relative path)则是除了绝对路径以外的其他写法,比如 step/step,也就是不使用”/”起首
斜杠(/)作为路径内部的分割符
”/”:表示选择根节点
”//”:表示选择任意位置的某个节点
”@”: 表示选择某个属性
nodename(节点名称):表示选择该节点的所有子节点
xpath功能函数
使用功能函数能够更好的进行模糊搜索
函数 | 用法 | 解释 |
starts-with | xpath(‘//div[starts-with(@id,”ma”)]‘) | 选取id值以ma开头的div节点 |
contains | xpath(‘//div[contains(@id,”ma”)]‘) | 选取id值包含ma的div节点 |
and | xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘) | 选取id值包含ma和in的div节点 |
text() | xpath(‘//div[contains(text(),”ma”)]‘) | 选取节点文本包含ma的div节点 |
xpath定位方法
<?xml version="1.0" encoding="ISO-8859-1"?> <bookstore> <book> <title lang="eng">Harry Potter</title> <price>29.99</price> </book> <book> <title lang="eng">Learning XML</title> <price>39.95</price> </book> </bookstore>
#bookstore :选取 bookstore 元素的所有子节点。 #/bookstore :选取根节点bookstore,这是绝对路径写法。 #bookstore/book :选取所有属于 bookstore 的子元素的 book元素,这是相对路径写法。 #//book :选择所有 book 子元素,而不管它们在文档中的位置。 #bookstore//book :选择所有属于 bookstore 元素的后代的 book 元素,而不管它们位于 bookstore 之下的什么位置。 #//@lang :选取所有名为 lang 的属性。 #/bookstore/book[1] :表示选择bookstore的第一个book子元素。 #/bookstore/book[last()] :表示选择bookstore的最后一个book子元素。 #/bookstore/book[last()-1] :表示选择bookstore的倒数第二个book子元素。 #/bookstore/book[position()<3] :表示选择bookstore的前两个book子元素。 #//title[@lang] :表示选择所有具有lang属性的title节点。 #//title[@lang='eng'] :表示选择所有lang属性的值等于"eng"的title节点。 #/bookstore/book[price] :表示选择bookstore的book子元素,且被选中的book元素必须带有price子元素。 #/bookstore/book[price>35.00] :表示选择bookstore的book子元素,且被选中的book元素的price子元素值必须大于35。 #/bookstore/book[price>35.00]/title :表示在例14结果集中,选择title子元素。 #/bookstore/book/price[.>35.00] :表示选择值大于35的"/bookstore/book"的price子元素。 #//book/title | //book/price :表示同时选择book元素的title子元素和price子元素。
例2:
# 我们爬取网页的目的,无非是先定位到DOM树的节点,然后取其文本或属性值 myPage = '''<html> <title>TITLE</title> <body> <h1>我的博客</h1> <div>我的文章</div> <div id="photos"> <img src="pic1.jpeg"/><span id="pic1">PIC1 is beautiful!</span> <img src="pic2.jpeg"/><span id="pic2">PIC2 is beautiful!</span> <p><a href="http://www.example.com/more_pic.html">更多美图</a></p> <a href="http://www.baidu.com">去往百度</a> <a href="http://www.163.com">去往网易</a> <a href="http://www.sohu.com">去往搜狐</a> </div> <p class="myclassname">Hello,\nworld!<br/>-- by Adam</p> <div class="foot">放在尾部的其他一些说明</div> </body> </html>''' html = etree.fromstring(myPage) # 一、定位 divs1 = html.xpath('//div') divs2 = html.xpath('//div[@id]') divs3 = html.xpath('//div[@class="foot"]') divs4 = html.xpath('//div[@*]') divs5 = html.xpath('//div[1]') divs6 = html.xpath('//div[last()-1]') divs7 = html.xpath('//div[position()<3]') divs8 = html.xpath('//div|//h1') divs9 = html.xpath('//div[not(@*)]') # 二、取文本 text() 区别 html.xpath('string()') text1 = html.xpath('//div/text()') text2 = html.xpath('//div[@id]/text()') text3 = html.xpath('//div[@class="foot"]/text()') text4 = html.xpath('//div[@*]/text()') text5 = html.xpath('//div[1]/text()') text6 = html.xpath('//div[last()-1]/text()') text7 = html.xpath('//div[position()<3]/text()') text8 = html.xpath('//div/text()|//h1/text()') # 三、取属性 @ value1 = html.xpath('//a/@href') value2 = html.xpath('//img/@src') value3 = html.xpath('//div[2]/span/@id') # 四、定位(进阶) # 1.文档(DOM)元素(Element)的find,findall方法 divs = html.xpath('//div[position()<3]') for div in divs: ass = div.findall('a') # 这里只能找到:div->a, 找不到:div->p->a for a in ass: if a is not None: #print(dir(a)) print(a.text, a.attrib.get('href')) #文档(DOM)元素(Element)的属性:text, attrib # 2.与1等价 a_href = html.xpath('//div[position()<3]/a/@href') print(a_href) # 3.注意与1、2的区别 a_href = html.xpath('//div[position()<3]//a/@href') print(a_href)
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/120200.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...