Python爬虫11-XML与XPath
GitHub代码练习地址：用lxml解析HTML,文件读取,etree和XPath的配合使用：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac17_xpath%26lxml.py
XML - XML(EXtensibleMarkupLanguage) - 官方文档http://www.w3school.com.cn/xml/index.asp - 概念：父节点，子节点，先辈节点，兄弟节点，后代节点 XPath - XPath(XML Path Language), 是一门在XML文档中查找信息的语言， - 官方文档： http://www.w3school.com.cn/xpath/index.asp - XPath开发工具 - 开源的XPath表达式工具： XMLQuire - chrome插件： Xpath Helper - Firefox插件： XPath CHecker - 常用路径表达式： - nodename: 选取此节点的所有子节点 - /: 从根节点开始选 - //: 选取元素，而不考虑元素的具体为止 - .: 当前节点 - ..:父节点 - @： 选取属性 - 案例： - booksotre: 选取bookstore下的所有子节点 - /booksotre: 选取根元素 - booksotre/book: 选取bookstore的所有为book的子元素 - //book: 选取book子元素 - //@lang:选取名称为lang的所有属性 - 谓语(Predicates) - 谓语用来查找某个特定的节点，被镶嵌在方括号中 - /bookstore/book[1]: 选取第一个属于bookstore下叫book的元素 - /bookstore/book[last()]: 选取最后一个属于bookstore下叫book的元素 - /bookstore/book[last()-1]: 选取倒数第二个属于bookstore下叫book的元素 - /bookstore/book[position()<3]: 选取属于bookstore下叫book的前两个元素 - /bookstore/book[@lang]: 选取属于bookstore下叫book的,含有属性lang元素 - /bookstore/book[@lang="cn"]: 选取属于bookstore下叫book的,含有属性lang的值是cn的元素 - /bookstore/book[@price < 90]: 选取属于bookstore下叫book的,含有属性price的，且值小于90的元素 - /bookstore/book[@price < 90]/title: 选取属于bookstore下叫book的,含有属性price的，且值小于90的元素的子元素title - 通配符 - `*` : 任何元素节点 - @*： 匹配任何属性节点 - node(): 陪陪任何类型的节点 - 选取多个路径 - //book/tile | //book/author : 选取book元素中的title和author元素 - //tile | //price: 选取文档中所有的title和price元素
lxml库 - python的HTML/XML的解析器 - 官方文档： http://lxml.de/index.html - 功能： - 解析HTML - 文件读取 - etree和XPath的配合使用
