Python_xpath_解析

目录

一、xpath的安装

二、xpath的基本使用

?1.路径查询

?2.谓词查询

3.属性查询

4.模糊查询

5.内容查询

6.逻辑查询

7.解析_获取百度一下?

8.解析_站长素材

一、xpath的安装

xpath helper下载-CSDN博客

二、xpath的基本使用

xpath解析：

1.本地文件? ? ? ? ? ? ? ? etree.parse()

2.服务器响应的数据 response.read().decode('utf-8')? ? ?常用? ? ? ? ? etree.HTML()

?1.路径查询

//：查找所有子孙节点，不考虑层级关系

/：查找子节点，考虑层级关系

?

?2.谓词查询

//div[@id]

//div[@id="maincontent"]

?

?

3.属性查询

//@class

?

4.模糊查询

//div[contains(@id,"he")]

//div[starts-with(@id."he")]

?

?

5.内容查询

//div/h1/text()

6.逻辑查询

//div[@id="head" and @class="s_down"]

//title | //price

from lxml import etree


#xpth解析本地文件
tree = etree.parse('xpth本地案例.html')

# tree.xpath('xpath路径')

#查找ul下面的li
# li_list = tree.xpath('//body/ul/li')

#查找所有有id的属性的li标签
#text()获取标签中的内容
#li_list = tree.xpath('//ul/li[@id]/text()')

#查找id为l1的li标签a
#注意引号的问题
# li_list = tree.xpath('//ul/li[@id="l1"]/text()')

#查找到id为l1的li标签的class的属性值
# li = tree.xpath('//ul/li[@id="l1"]/@class')

#查询id中包含l的li标签
# li_list = tree.xpath('//ul/li[contains(@id,"l")]/text()')

#查找id中以c开头的li标签
# li_list = tree.xpath('//ul/li[starts-with(@id,"c")]/text()')

#查询id为l1和class为c1的标签
li_list = tree.xpath('//ul/li[@id="l1" and @class="c1"]/text()')


#判断列表的长度
# print(len(li))
# print(li)
#判断列表的长度
print(len(li_list))
print(li_list)

7.解析_获取百度一下?

xpath的返回值是一个列表类型的数据，可以通过列表的下标来访问数据

#(1) 获取网页的源码
#(2) 解析 解析的服务器相响应的文件 etree.HTML
#(3) 打印

import urllib.request

url = 'https://www.baidu.com/'

headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36 Edg/114.0.1823.82'
}
#请求对象的定制
request = urllib.request.Request(url=url,headers=headers)

#模拟浏览器访问服务器
response = urllib.request.urlopen(request)

#获取网页源码
content = response.read().decode('utf-8')

#解析网页源码来获取想要的数据
from lxml import etree
#解析服务器响应的文件
tree = etree.HTML(content)

#获取想要的数据  xpath的返回值是一个列表
result = tree.xpath('//input[@id="su"]/@value')

#打印数据
print(result)

8.解析_站长素材

风景图片、风景图片大全、山水风景图片、风景图片桌面、唯美风景图片 (chinaz.com)

这里需要注意的是，pycharm获取的网页源码和网站的源码可能不一样，所以在查询内容的时候要注意是否跟网页源码一样，如果没有识别出来可以在pycharm中打印网页源码。

# （1）请求对象的定制
# （2）获取网页源码
# （3）下载

#需求   下载前十页的图片
# https://sc.chinaz.com/tupian/fengjing.html   第一页
# https://sc.chinaz.com/tupian/fengjing_2.html  第二页
# https://sc.chinaz.com/tupian/fengjing_3.html  第三页

import urllib.request
from lxml import etree

def create_request(page):
    if(page == 1):
        url = 'https://sc.chinaz.com/tupian/fengjing.html'
    else:
        url = 'https://sc.chinaz.com/tupian/fengjing_'+str(page)+'.html'

    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36 Edg/114.0.1823.82'
    }

    request = urllib.request.Request(url=url,headers=headers)
    return request

def get_content(request):
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')

    return content

def down_load(content):
    #下载图片
    #urllib.request.urlretrieve("图片地址","文件名字")
    tree = etree.HTML(content)
    name_list = tree.xpath('//div[@class="tupian-list com-img-txt-list"]//img/@alt')

    src_list = tree.xpath('//div[@class="tupian-list com-img-txt-list"]//img/@data-original')

    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        url = 'https:'+src

        urllib.request.urlretrieve(url=url,filename='./screen/'+ name+'.jpg')


if __name__ == '__main__':
    start_page = int(input('请输入起始页码：'))
    end_page = int(input('请输入结束页码：'))

    for page in range(start_page,end_page+1):
        # （1）请求对象的定制
        request = create_request(page)
        # （2）获取网页源码
        content = get_content(request)
        # （3）下载
        down_load(content)