lxml解析html時，檢驗XPath
阿新 • • 發佈：2019-02-14
這兩天在研究Scrapy，在遇到用Xpath提出時，需要有Chrome的XPath helper，但老是出現錯誤。廢話少說，還是先把測試網頁儲存到本地，逐步的測試提取。
測試文字text.html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>測試－常規方法</title>
</head>
<body>
<div id="content">
<ul id="useful" 使用XPath對相關內容的提取
# -*- coding: utf-8 -*-
from lxml import etree
f = open('text.html', 'r',encoding="utf-8")
html = f.read()
#print (html)
f.close()
selector = etree.HTML(html)selector.xpath提取後為list
#提取單個文字
content = selector.xpath('//div[@id="test-0"]/text()')
print (content)[‘大家好！’]
#提取多個文字
content = selector.xpath('//ul[@id="useful"]/li/text()')
print (content)
for each in content:
print (each)結果為：
這是第一條資訊
這是第二條資訊
這是第三條資訊
#提取屬性
link = selector.xpath('//a/@href')
for each in link:
print (each)#提取title
title = selector.xpath('//a/@title')
print (title[0])結果為：
極客學院課程庫
# 以相同的字元開頭 starts-with(＠屬性名稱，屬性字元相同部分)
content = selector.xpath('//div[starts-with(@id,"test")]/text()')
for each in content:
print (each)結果為：
大家好！
需要的內容1
需要的內容2
需要的內容3
美女,
#標籤套標籤,取出所有的標籤
data = selector.xpath('//div[@id="test-3"]')[0]
info = data.xpath('string(.)')
info=str(info)# info為<class 'lxml.etree._ElementUnicodeResult'>，轉為字元
content=" ".join(info.split())
print (content)
data = selector.xpath('//div[@id="tiger"]')[0]
info = data.xpath('string(.)')
info=str(info)# info為<class 'lxml.etree._ElementUnicodeResult'>，轉為字元
content=" ".join(info.split())
print (content)結果為：
美女, 你的微信是多少？
我左青龍， 右白虎， 上朱雀， 下玄武。 老牛在當中， 龍頭在胸口。
注：這裡我將list轉為str。網上有許多其他方法加extract()我嘗試後，發現均出錯。
另外，發現網上的程式碼有問題。
data = selector.xpath('//div[@id="test3"]')info = data.xpath('string(.)').extract()[0]
這樣，就可以把“我左青龍，右白虎，上朱雀，下玄武。老牛在當中，龍頭在胸口”整個句子提取出來，賦值給info變數。在IDE中直接測試
from lxml import etree
text="""
<div class="bd doulist-subject">
<div class="source">
來自：豆瓣讀書
</div>
<div class="post">
<a href="https://book.douban.com/subject/10519369/" target="_blank">
<img width="100" src="https://img1.doubanio.com/lpic/s8869768.jpg">
</a>
</div>
<div class="title">
<a href="https://book.douban.com/subject/10519369/" target="_blank">
萬物生光輝
</a>
</div>
<div class="rating">
<span class="allstar50"></span>
<span class="rating_nums">9.4</span>
<span>(738人評價)</span>
</div>
<div class="abstract">
"
作者: [英] 吉米·哈利
<br>
"
出版社: 中國城市出版社
<br>
"
出版年: 2012-3
"
</div>
</div>
"""
selector = etree.HTML(text)
title = selector.xpath('//div[@class="title"]/a/text()')
title=title[0]
title=title.replace(" ","").replace("\\n","").replace("\\r","")
title=title.strip()
print (title)
rate = selector.xpath('//span[@class="rating_nums"]/text()')
rate=rate[0]
rate=rate.replace(" ","").replace("\\n","").replace("\\r","")
print (rate)
author = selector.xpath('//div[@class="abstract"]/text()')
author=author[0]
author=author.replace(" ","").replace("\\n","").replace("\\r","").replace('"',"")
author=author.strip()
print (author)