xpath：跟re,bs4,pyquery一样，都是页面数据提取方法。

xpath是根据元素的路径来查找页面元素。

安装lxml包：pip install lxml

HTML实例:

html = “”"

One Two Three Four 百度一下

第一段

第2段

第3段

第4段 法大师傅大师傅

第5段

第6段

“”" 将一个Html文件解析成为对象：

首先导入：

element tree: 文档树对象

from lxml.html import etree 将HTML解析成为对象： #方式一：使用较多 obj= etree.HTML(“index.html”)

#方式二： obj = etree.parse(‘index.html’)

print(type(obj)) 开始查找元素或数据： 注意：

1、 //ul: 从obj中查找ul，不考虑ul所在的位置。 2、/li: 找到ul下边的直接子元素li，不包含后代元素。 3、 [@class=“one”]: 给标签设置属性，用于过滤和筛选

4、xpath()返回的是一个列表：比如

one_li = obj.xpath(’//ul/li[@class=“one”]’)[0]

获取one_li的文本内容：

one_li = obj.xpath(’//ul/li[@class=“one”]’)[0] print(one_li.xpath(‘text()’)[0])

上述写法的合写方式

print(obj.xpath(’//ul/li[@class=“one”]/text()’)[0])  获取所有li的文本内容： all_li = obj.xpath(’//ul/li/text()’) 获取所有li的文本内容以及class属性的值：

all_li = obj.xpath(’//ul/li’) for li in all_li: class_value = li.xpath(’@class’)[0] text_value = li.xpath(‘text()’)[0] print(class_value, text_value)

获取div标签内部的所有文本：

注意：//text()：获取所有后代元素的文本内容            /text()：获取直接子元素的文本，不包含后代元素

print(obj.xpath(’//div[@id=“inner”]//text()’)) 获取ul中第一个li  [1]（[1]:第一个li）的文本： print(obj.xpath(’//ul/li[1]/text()’)) 查找类名中包含four的li的文本内容： print(obj.xpath(’//ul/li[contains(@class, “four”)]/text()’)) ———————————————— 版权声明：本文为博主「MXuDong」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_33472765/article/details/80672281