python etree.HTML 以及xpath 解析网页的工具

导入模块

from lxml import etree

相关语法

XPath（XML Path Language）是一种用于在XML文档中定位和选择元素的语言。XPath的主要应用领域是在XML文档中进行导航和查询，通常用于在XML中选择节点或节点集合。以下是XPath的基本语法和一些常见的表达式：

1. 节点选择:

   • /: 从根节点开始选择
   • //: 选择节点，不考虑它们的位置
   • .: 当前节点
   • ..: 父节点

2. 节点过滤:

   • [@attribute='value']: 选择具有特定属性值的节点
   • [position()]: 选择特定位置的节点
   • [last()]: 选择最后一个节点
   • [text()='some text']: 选择具有特定文本内容的节点

3. 通配符:

   • *: 匹配任何元素节点
   • @*: 匹配任何属性节点

4. 轴:

   • ancestor::: 选择所有祖先节点
   • descendant::: 选择所有子孙节点
   • parent::: 选择父节点
   • child::: 选择子节点
   • following-sibling::: 选择后续同级节点
   • preceding-sibling::: 选择前置同级节点

5. 运算符:

   • and: 逻辑与
   • or: 逻辑或
   • not: 逻辑非

6. 函数:

   • text(): 选择当前节点的文本内容
   • name(): 选择当前节点的名称
   • count(): 计算节点集合的节点数
   • concat(): 连接字符串

以下是一些XPath表达式的示例：

• /bookstore/book: 选择所有直接子节点为book的节点
• //book: 选择文档中所有的book节点
• /bookstore/book[@category='fiction']: 选择具有特定属性值的book节点
• //title[text()='Introduction to XPath']: 选择具有特定文本内容的title节点
• /bookstore/book[position()<3]: 选择前两个book节点
• //author[contains(text(),'Rowling')]: 选择包含特定文本的author节点

XPath语法灵活且强大，可以根据需要进行深入的定位和选择。

实战

• 解析的话，我们是对网站的发送的请求所传回的对象的text 进行解析
• 对于xpath 进行寻找得到，加上text()就可以输出文本
• 对于xpath 查找的得到的，加上@属性名 就可以返回相关的属性值
• 为了使用方便，常常用//来选择结点,用[@ class = " "]来具体根据属性筛选，对于同一个路径下，多个平行的内容，可以在[@ class = " "]之后加上[ number]来具体选择，注意，这个number 为具体第几个，从1开始
• 注意xpath 返回的对象为列表

以网站https://ssr1.scrape.center/为例子
我们先爬取该网站的电影名字

通过看网页的源码，发现在

标签下，class = “m-b-sm”

import requests
from lxml import etreeheaders ={"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"
}responce = requests.get(r'https://ssr1.scrape.center/',headers = headers)html = etree.HTML(responce.text)allname = html.xpath(r'//h2[@class="m-b-sm"]/text()')
for name in allname:print(name)

这样就可以爬取电影名