處理HTML文檔很累当辐，有沒有其他的方法较鼓？
有鸠按！那就是XPath礼搁，我們可以先將 HTML文件 轉(zhuǎn)換成 XML文檔，然后用 XPath語法 查找 HTML 節(jié)點或元素目尖。
劃重點------爬蟲獲取到的response 要先轉(zhuǎn)xml 才能用Xpath解析!!!
什么是XML?
- XML 指可擴展標記語言（EXtensible Markup Language）
- XML 是一種標記語言馒吴，很類似 HTML
- XML 的設(shè)計宗旨是傳輸數(shù)據(jù)，而非顯示數(shù)據(jù)
- XML 的標簽需要我們自行定義。
- XML 被設(shè)計為具有自我描述性饮戳。
- XML 是 W3C 的推薦標準
W3School官方文檔：http://www.w3school.com.cn/xml/index.asp
什么是XPath豪治？
XPath (XML Path Language) 是一門在 XML 文檔中查找信息的語言，可用來在 XML 文檔中對元素和屬性進行遍歷扯罐。
W3School官方文檔：http://www.w3school.com.cn/xpath/index.asp
XPath 開發(fā)工具
- 開源的XPath表達式編輯工具:XMLQuire(XML格式文件可用)
- Chrome插件 XPath Helper
- Firefox插件 XPath Checker
lxml庫
lxml 是 一個HTML/XML的解析器负拟，主要的功能是如何解析和提取 HTML/XML 數(shù)據(jù)。
lxml和正則一樣歹河，也是用 C 實現(xiàn)的掩浙，是一款高性能的 Python HTML/XML 解析器，我們可以利用之前學習的XPath語法秸歧，來快速的定位特定元素以及節(jié)點信息厨姚。
lxml python 官方文檔：http://lxml.de/index.html
需要安裝C語言庫，可使用 pip 安裝：
pip install lxml（或通過wheel方式安裝）
初步使用
利用etree.HTML键菱，將字符串解析為HTML文檔
# 使用 lxml 的 etree 庫
from lxml import etree
#利用etree.HTML谬墙，將字符串解析為HTML文檔
html=etree.HTML(text)
# 按字符串序列化HTML文檔
result = etree.tostring(html)
print(result)
lxml 可以自動修正 html 代碼
文件讀取：
除了直接讀取字符串经备，lxml還支持從文件里讀取內(nèi)容拭抬。我們新建一個hello.html文件：
<!-- hello.html -->
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
再利用 etree.parse() 方法來讀取文件。
# lxml_parse.py
from lxml import etree
# 讀取外部文件 hello.html
html = etree.parse('./hello.html')
result = etree.tostring(html, pretty_print=True)
print(result)
XPath實例測試
- 獲取所有的 <li> 標簽
# xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
print type(html) # 顯示etree.parse() 返回類型
result = html.xpath('//li')
print result # 打印<li>標簽的元素集合
print len(result)
print type(result)
print type(result[0])
輸出結(jié)果：
<type 'lxml.etree._ElementTree'>
[<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>]
5
<type 'list'>
<type 'lxml.etree._Element'>
- 繼續(xù)獲取<li> 標簽的所有 class屬性
# xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li/@class')
print result
運行結(jié)果
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
- 繼續(xù)獲取<li>標簽下hre 為 link1.html 的 <a> 標簽
# xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li/a[@href="link1.html"]')
print result
運行結(jié)果
[<Element a at 0x10ffaae18>]
- 獲取<li> 標簽下的所有 <span> 標簽
# xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
#result = html.xpath('//li/span')
#注意這么寫是不對的：
#因為 / 是用來獲取子元素的侵蒙，而 <span> 并不是 <li> 的子元素造虎，所以，要用雙斜杠
result = html.xpath('//li//span')
print result
運行結(jié)果
[<Element span at 0x10d698e18>]
- 獲取 <li> 標簽下的<a>標簽里的所有 class
# xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li/a//@class')
print result
運行結(jié)果
['blod']
- 獲取最后一個 <li> 的 <a> 的 href
# xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li[last()]/a/@href')
# 謂語 [last()] 可以找到最后一個元素
print result
運行結(jié)果
['link5.html']
- 獲取倒數(shù)第二個元素的內(nèi)容
# xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//li[last()-1]/a')
# text 方法可以獲取元素內(nèi)容
print result[0].text
運行結(jié)果
fourth item
- 獲取 class 值為 bold 的標簽名
# xpath_li.py
from lxml import etree
html = etree.parse('hello.html')
result = html.xpath('//*[@class="bold"]')
# tag方法可以獲取標簽名
print result[0].tag
運行結(jié)果
span