python使用xpath解析html

2023-12-27 22:52:22

一、安装包

pip install lxml

二、读取

1、读取解析出来多条

from lxml import etree

# HTML 或 XML 文档示例
html_content = '''
<html>
    <body>
        <div>
            <p>Paragraph 1</p>
            <a href="#">Link 1</a>
        </div>
        <div>
            <p>Paragraph 2</p>
            <a href="#">Link 2</a>
        </div>
    </body>
</html>
'''

# 将文档内容加载到 etree 对象中
tree = etree.HTML(html_content)

# 使用 XPath 查询
elements = tree.xpath('/html/body/div/a')  # 示例 XPath 查询
for element in elements:
    print(etree.tostring(element, encoding='utf-8').decode('utf-8'))  # 输出查询到的元素


2、读取一条

from lxml import etree

# HTML示例
html_content = '''
<html>
    <body>
        <div>
            <p>Paragraph 1</p>
            <a href="#">Link 1</a>
        </div>
        <div>
            <p>Paragraph 2</p>
            <a href="#">Link 2</a>
        </div>
    </body>
</html>
'''

# 将文档内容加载到etree对象中
tree = etree.HTML(html_content)

# 使用find方法选择第一个匹配的元素
element = tree.find('.//div/a')  # 示例XPath查询(相对路径) # 示例XPath查询
if element is not None:
    print(etree.tostring(element, encoding='utf-8').decode('utf-8'))  # 输出查询到的元素

在XPath查询中,‘.’ 表示当前节点,‘//’ 表示选择所有符合条件的后代节点。.//div/a 将选择文档中所有

元素下的第一个 元素。这个查询应该能够正确执行并返回第一个匹配的元素。如果有两个那么就是查出来第一个就停止了

3、获取文本内容(.text)

import requests
from lxml import etree

html_content = '''
<html>
    <body>
        <div>
            <p>Paragraph 1</p>
            <a href="#">Link 1</a>
        </div>
        <div>
            <p>Paragraph 2</p>
            <a href="#">Link 2</a>
        </div>
    </body>
</html>
'''

# 将文档内容加载到etree对象中
tree = etree.HTML(html_content)

# 使用find方法选择第一个匹配的元素
element = tree.find('.//div/a')  # 示例XPath查询(相对路径)
if element is not None:
    print(element.text)  # 输出查询到的元素的文本内容

4、获取标签(.tag)

from lxml import etree

# HTML示例
html_content = '''
<html>
    <body>
        <div>
            <p>Paragraph 1</p>
            <a href="#">Link 1</a>
        </div>
        <div>
            <p>Paragraph 2</p>
            <a href="#">Link 2</a>
        </div>
    </body>
</html>
'''

# 将文档内容加载到etree对象中
tree = etree.HTML(html_content)

# 使用XPath选择器找到所需元素
element = tree.xpath('.//div/a')[0]  # 示例XPath查询(相对路径)

# 构造新的element,只包含开始和结束标签
tag = element.tag  # 获取标签名称
start_tag = f'<{tag}>'
end_tag = f'</{tag}>'
print(start_tag + end_tag)  # 输出 <a></a>

5、获取所有图片

from lxml import etree

# 假设html_content为你的HTML内容
html_content = """
<html>
    <body>
        <div>
            <img src="image1.jpg">
            <img src="image2.jpg">
            <img src="image3.jpg">
        </div>
    </body>
</html>
"""

# 解析HTML内容
tree = etree.HTML(html_content)

# 使用XPath获取所有图片链接 表达式为@属性的获取出来的都是文本不是对象不用转换字符串
image_links = tree.xpath("//img/@src")

# 输出图片链接
print(image_links)

或者

import requests

from lxml import etree
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"
}
# 网址你自己换一个xpath的话就改下
response = requests.get("https://www.tianqi.com/", headers=headers)

body = etree.HTML(response.text)

elements = body.xpath('//*[@id="hhx_newDaodu_l"]/img[2]')

for element in elements:
    print(element.get("src"))  # 输出查询到的元素

三、xpath语法规则

在这里插入图片描述

浏览器可以右键获取
在这里插入图片描述

文章来源:https://blog.csdn.net/weixin_49390750/article/details/135248682
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。