三大解析库的使用

写在前面的话：我们前面学习了正则，但是正则是个很繁琐的东西，一旦写错，就要匹配失败，我们还要不断的调试，对于一个网页来说都是具有一定的层次性，有的有id，class名，我们可不可以通过这些来获取我们想要的属性或者文本？下面可以看看怎么来获取。

1，XPath的使用

在使用前，需要安装lxml库。 安装代码：pip3 install lxml

1.1XPath的常用规则:

• / 表示选取直接子节点
• // 表示选取所有子孙节点
• . 选取当前节点
• .. 选取当前结点的父节点
• @ 选取属性

看完这些？你是不是还是一脸懵逼？下面我们来实际运用一下。

1.2实例引用

如图：

导入etree模块

etree.HTML()是构造一个XPath对象

etree.tostring()是对代码进行修正，如果有缺失的部分，会自动修复

方法比较简单，就不截取效果图了。

如果我们相对本地的文件进行解析怎么办？我们可以这样写

etree.parse()第一个参数为html的路径，第二（etree.HTMLParser()）和上面etree.HTML()的性质是一样的，为了方便，接下里我使用对本地文件进行解析。

html文本如下：

1.3获取所有的节点

结果：

开头用//表示选取所有符合的节点，*表示获取所有的节点，

上面两句话一看这不是一个意思吗？会不懂！

我们可以分为两步理解:

第一步//是选取所有符合要求的节点，没有指明是什么要求！，不知道你要获取什么.

第二步*表示所有节点，所以才会获取所有节点。这样理解起来应该会很容易了吧。

注意：返回的是一个列表

1.4获取指定的节点

还是上面的html文本，如果我们想获取li节点怎么办？

只需要将result_text=html.xpath('//*')修改成result_text=html.xpath('//li')

如果想获取a节点，就修改成//a,也可以写成//li//a，或者//ul//a获取//li/a

都是可以获取到但是如果//ul/a是获取不到的因为/表示的是直接子节点

注意：返回的都是节点，并不是文本信息。

即：

这种形式。

1.4属性匹配

如果我们想要a标签的href属性，我们可以修改成//a/@href

返回结果：

返回的也是一个列表

如果我们想要匹配class为li_1的li，可以修改成//li[@class="li_1"]即可

1.5父节点匹配

我们来获取link2.html的a节点的父节点的class属性，我们是需要修改成//a[@href="link2.html"]/../@class，这里的..表示寻找父节点，返回的依然是一个列表。

1.6获取文本

我们来获取class为li_3的li下a的文本，可以写成//li[@class="li_3"]/a/text()即可

1.7contains()函数

比如其中有一个li为：

<li class="li li_last" id="caidan"></li>

此时：li具有两个class名，我们如果这样写//li[@class="li"]是获取不到节点的

那么我们可以这样写获取到节点//li[contains(@class,"li")]。

1.8多属性获取

<li class="li li_last" id="caidan"></li>，同样是这个li我们需要获取class名为li同时id为caidan的li，可以这样写//li[contains(@class,"li") and @id="caidan"]

获取class名为li或者id为caidan的li就用or。

1.9，last(),position()函数

上面的html有很多li，如果我只想获取第一个可以这样：

//li[1],同理第二个改成2就可以了，如果想获取最后一个：//li[last()]

如果想获取前两个：//li[position()<3]

2,Beautiful Soup的使用

同样的在使用前我们也要安装Beautiful Soup 没有安装的请自行安装。 首先导入模块：from bs4 import BeautifulSoup 这次我们直接用一个网站来试试，我选择的是猫眼网， 你可以选择其他网站哦。

获取网页部分，上节有教，链接：python第二大神器requests

如图：

2.1初始化

BeautifulSoup()第一个参数为获取的网页内容，第二个参数为lxml，为什么是lxml？因为Beautiful Soup在解析时依赖解析器，python自带的解析器，容错能力差，比较慢，所以我们使用第三方解析器lxml，

prettify()是将获取的内容以缩进的方式输出，看起来很舒服

如图：

看起来舒服多了。

2.2获取值

我们来获取一下title信息，我们是需要这样。

结果：

我们可以看到title获取的是title节点的所有信息，而加个string就变成了title里的文本内容，这样是不是也是很简单？

2.21获取属性值

比如，我们想要获取img的src属性，我们只需要，soup.img['src']就可以获取到，soup.img.arrts['src']也可以获取到。

如果想获取到所有的属性就这样写：soup.img.arrts即可

如图所示：

注意：所有的属性返回的形式是以字典的形式返回。

2.3获取直接子节点和子孙节点，父节点，祖先节点，兄弟节点

• 获取直接子节点：contents，例如我想获取p标签的直接子节点：soup.p.contents即可
• 获取子孙节点：descendants,例如我想获取p标签的子孙节点：soup.p.descendants即可
• 获取父节点：parent属性，例如我想获取p标签的父节点：soup.p.parent即可
• 获取祖先节点：parents属性，例如我想获取p标签的祖先节点：soup.p.parents即可
• 获取兄弟节点：next_sibling,previous_sibling,next_siblings,previous_siblings分别为下一个兄弟节点，上一个兄弟节点，上面所有的兄弟节点，下面所有的兄弟节点。

2.4获取文本属性

string为获取文本

attrs为获取属性

2.5方法选择器

find_all()返回的一个列表，匹配所有符合要求的元素

• 如果我们想要获取ul可以这样写：soup.find_all(name='ul')
• 如果我们想要获取id为id1属性可以这样写：soup.find_all(arrts[id='id1'])
• 如果我们想要获取class为class1属性可以这样写：soup.find_all(arrts[class_='class1']) 因为class有特殊意义，所以我们获取class的时候价格_即可
• 如果我们想要获取文本值可以这样写：soup.find_all(text=re.compile('')) 匹配text需要用到正则，匹配你想要的text值
• find()只返回一个值，匹配到符合要求的第一个值。 用法和上面的方法一样

注意：以上说有的属性，方法都是通过我实例的soup来调用，soup是我的命名，你可以修改它，同时你调用就要用你的命名了

2.6css选择器

我们如果用css选择器需要调用select()方法

比如想获取class名为class1的节点，我们可以这样写：soup.select('.class1')即可，和css的表达方式是一样的，但是他的css选择器功能不够强大，下面我们介绍一个针对css的解析库。

3，pyquery的使用

首先要安装pyquery 没有安装的请自行安装。 导入模块：from pyquery import PyQuery 首先和上面的一样，同样需要初始化，获取对象

如下：

结果：

这样就获取到了所有的li

此外：初始化对象时，可以填写文本（上面就是），还可以填写url：PyQuery(url='https://maoyan.com/')

还可以填写本地文件：PyQuery(filename=''),''中填写本地文件的路径

3.1css选择器的基本用法

如果想选取class名为class1下的li可以这样写result('.class li')和css的选择器写法是一样的。

3.2find()方法，子节点，父节点，兄弟节点

和上面不同这里的find()方法是查找所有的子孙节点，

• 如果想获取li下的所有a节点可以这样写：result('li').find('a')即可
• 如果只想查找子节点：children()方法即可
• 父节点：parent()获取直接父节点
• 获取所有父节点：parents()获取所有父节点，如果只想要父节节点中class为class1的可以这样写：parents('.class1')

注意：输出的是父节点的所有内容。

兄弟节点：siblis()方法，如果只想要兄弟节点中id为id1的可以这样写：parents('#id1')

3.3对于获取的结果，不想上面返回的是列表，这里如果返回多个对象需要for循环遍历

3.4获取属性，文本，

例如我们想要获取li下a的href属性（attr()函数），由于有多个结果，所以我们这里需要遍历。

如图：

结果：

注意：如果不遍历，只会输出第一个

• 如果我们想要获取文本值：text()方法，只需要将attr()函数改为text()函数即可

3.6对属性，文本，class的删除，修改

• addClass('class1'):表示添加一个class名，名字为class1
• removeClass('class1')表示删除一个class名，名字为class1

我们来实例一下：

结果：

同时我们还可以添加属性，文本

• 添加属性：attr('name','name1')
• 添加文本：text('123123')
• 添加代码：html('<span>12122</apan>')

有了添加，就有删除remove()函数

• 比如如果我们想删除li下的所有a节点
• 可以这样写：result('li').find('a').remove()

4.0完