你好,我是zhenguo
这是我的第504篇原创
我们爬取网页后,无非是先定位到html标签,然后取其文本。定位标签,最常用的一个包lxml
。
在这篇文章,我会使用一个精简后的html页面,演示如何通过lxml
定位并提取出想要的文本,包括:
html,全称HyperText Markup Language,是超文本标记结构。
html组织结构对应数据结构的树模型。
因为是树,所以只有一个根节点,即一对<html></html>
标签。一对<>和名称组合称为标签,例如,<html>
被称为开始标签,</html>
被称为结束标签。
开始标签中可以添加附加信息,风格为属性名=属性值
。
如下所示,选中的<div>
就是一个开始标签,它有属性id
,值为content
,还有属性style
等:
lxml
官档截图如下,按照官档的说法,lxml
是Python语言中,处理XML和HTML,功能最丰富、最易于使用的库。
不难猜想,lxml
中一定实现了查询树中某个节点功能,并且应该性能极好。
废话不多说,举例演示lxml
超简便的定位能力。
导入lxml
中的etree
:
from lxml import etree
my_page
是html风格的字符串,内容如下所示:
my_page = '''
<html>
<title>程序员zhenguo</title>
<body>
<div>我的文章</div>
<h1>我的网站</h1>
<div id="photos">
<img src="pic1.png" />
<span id="pic1"> 从零学Python </span>
<img src="pic2.png" />
<span id="pic2">大纲</span>
<p>
<a href="http://www.zglg.work">更多详情</a>
</p>
<a href="http://www.zglg.work/python-packages/">Python包</a>
<a href="http://www.zglg.work/python-intro/">Python小白</a>
<a href="http://www.zglg.work/python-level/">Python进阶</a>
</div>
<div id="explain">
<p class="md-nav__item">本站总访问量159323次</p>
</div>
<div class="foot">Copyright © 2019 - 2021 程序员zhenguo</div>
</body>
</html>
'''
使用etree.fromstring
转化为可以使用xpath
的对象
html = etree.fromstring(my_page)
接下来,就能方便的定位:
//div
# 定位
divs1 = html.xpath('//div')
id
的所有标签,写法为://div[@id]
divs2 = html.xpath('//div[@id]')
//div[@class="foot"]
divs3 = html.xpath('//div[@class="foot"]')
//div[@*]
divs4 = html.xpath('//div[@*]')
not(@*)
divs5 = html.xpath('//div[not(@*)]')
//div[1]
divs6 = html.xpath('//div[1]')
//div[last()]
divs7 = html.xpath('//div[last()]')
//div[position()<3]
,注意从1开始:divs8 = html.xpath('//div[position()<3]')
//div|//h1
,使用|
表达:divs9 = html.xpath('//div|//h1')
取出一对标签中的内容,使用text()
方法。
如下所示,取出属性名为foot的标签div中的text:
text1 = html.xpath('//div[@class="foot"]/text()')
除了定位标签,获取标签间的内容外,也会需要提取属性对应值。
获取标签a
下所有属性名为href
的对应属性值,写法为://a/@href
value1 = html.xpath('//a/@href')
得到结果:
['http://www.zglg.work', 'http://www.zglg.work/python-packages/', 'http://www.zglg.work/python-intro/', 'http://www.zglg.work/python-level/']
还可以做一些特殊的定制操作,如使用findall
方法,定位到div
标签下带有a
的标签。
使用text获取内容,a.attrib.get获取对应属性值
divs = html.xpath('//div[position()<3]')
for div in divs:
ass = div.findall('a') # div/a
for a in ass:
if a is not None:
# print(dir(a))
print(a.text, a.attrib.get('href'))
最后注意一个区别,a_href等于第二个div标签下的子标签a的href属性值;
b_href等于第二个div标签下的子或所有后代标签下a的href属性值:
a_href = html.xpath('//div[position()=2]/a/@href')
print(a_href)
b_href = html.xpath('//div[position()=2]//a/@href')
print(b_href)
课程视频制作初衷:根据我过往7年多工作经历,5年多自媒体技术写作经验,以及期间与粉丝们的各种各样的交流,最终我决定打造这个系列课程,全由我一人完成,保证质量。真正帮助那些想从零完成就业的小伙伴们。路在何方,路在脚下。
课程总览:全是Python视频系列课程,包括多门课,帮助你从零到就业。不止一门课,目前已有从零学Python精品120课,正在更新从零学Python网络爬虫,从零学Python数据分析等。初步估计,全部更完至少会有300课。每课长度在2分钟~20分钟不等。
课程服务:课程提供电脑和手机双端学习平台,除了多门课精品视频外,还有配套讲义,完整源码文件。最重要的,会设有班级答疑群,解答疑问。
目前已有23个章节的课程大纲(包括从零学Python编程,从零学爬虫,从零学数据分析),鉴于篇幅有限,我就不一一放到这里了,感兴趣的点击下图二维码,去了解:
帮助你从零到就业
现在价格只有299元
299元录制视频,永久反复回看=从零学Python编程课(120课)+从零学爬虫课(50课)+从零学数据分析课(50课)+班级答疑群+课程讲义+配套资料
本文分享自 程序员郭震zhenguo 微信公众号,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ,欢迎热爱写作的你一起参与!