Python爬虫lxml模块安装导入和xpath基本语法

lxml模块是Python的一个解析库，主要用于解析HTML和XML文件。

一、安装导入

使用包管理器安装，在cmd下或编辑器下的控制台，运行：

复制代码

pip install lxml

导入：

复制代码

from lxml import etree

二、xpath基础知识

XPath（XML Path Language，即XML路径语言）是一种在XML文档中查找信息的语言。它基于XML的树状结构，使用路径表达式来选取XML文档中的节点或节点集

//:代表寻找所有（如：//div，找到的就是页面所有的div标签）
/:代表从根节点找一个
@：寻找属性（如：//div $@class='123'$ ，找到的是所有class属性值为123的标签）

也可以寻找属性值：//div/@class。找到的是所有div的class属性值

可以结合节点选择器使用，如 //book[@price>35] 表示选择所有 price 属性值大于35的 book 元素。

当前节点：使用点 . 表示选取当前节点。
父节点：使用两个点 .. 表示选取当前节点的父节点。
* 匹配任何元素名。例如，//* 表示选择文档中的所有元素。
@* 匹配任何属性名。例如，//book[@*] 表示选择所有具有至少一个属性的 book 元素。
谓词用于进一步筛选满足条件的节点，它被嵌在方括号 [] 中。例如，/root/child[1] 表示选择 root 元素的第一个 child 子元素。
谓词可以使用比较运算符（如 =、!=、<、> 等）、逻辑运算符（如 and、or、not）和XPath函数（如 last()、position()、starts-with()、contains() 等）。
child:: 选择当前节点的子元素节点。
attribute:: 选择当前节点的属性。
descendant:: 选择当前节点的所有后代节点。
parent:: 选择当前节点的父节点。
ancestor:: 选择当前节点的所有祖先节点。
following-sibling:: 选择当前节点之后的同级节点。
preceding-sibling:: 选择当前节点之前的同级节点

三、案例

比如我们有一个数据：

python 复制代码

html_data = '''
<div>
  <ul>
       <li class="item-0"><a href="link1.html">first item</a></li>
       <li class="item-1"><a href="link2.html">second item</a></li>
       <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
       <li class="item-1"><a href="link4.html">fourth item</a></li>
       <li class="item-0"><a href="link5.html">fifth item</a>
   </ul>
</div>
'''

我们可以看出，这个数据并不是一个完整的html的结构，但是，xpath需要通过结构路径寻找节点，所以我们需要补全结构，而且要把这个数据解析为element对象才可以通过xpath对其操作，所以我们用到以下语法：

python 复制代码

html=etree.HTML(html_data)

etree.HTML()：将字符串形式的HTML代码解析为Element对象。该函数会自动补全缺失的标签，并尝试修正HTML代码中的错误。括号中是要解析的数据，html是他解析后返回的element对象。

接下来我们就可以对这个数据进行操作了

案例1：

拿到第二个li的class值：

python 复制代码

html.xpath("//li[2]/@class")

案例2：

拿到最后一个li的a标签的href属性值：

python 复制代码

html.xpath("//li[last()]/a/@href")

案例3：

复制代码

根据属性值获取元素内容

python 复制代码

html.xpath("//li/a[@href='link1.html']/text()")