介绍
之前 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath
w3c /xpath/index.asp
安装
pip install lxml
XPath语法
XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上
节点的关系
父（Parent）子（Children）同胞（Sibling）先辈（Ancestor）后代（Descendant）
选取节点
常用的路径表达式:
通配符
XPath 通配符可用来选取未知的 XML 元素
选取若干路径
通过在路径表达式中使用“|”运算符，您可以选取若干个路径
谓语
谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点
XPath 运算符
小例子
from lxml import etreetext = '''<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">third item</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></ul></div>'''html = etree.HTML(text)result = etree.tostring(html)print(result)
首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。
其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能
所以输出结果是这样的:
<html><body><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">third item</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></body></html>
不仅补全了 li 标签，还添加了 body，html 标签。 文件读取
除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为:
<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>
利用 parse 方法来读取文件
from lxml import etreehtml = etree.parse('hello.html')result = etree.tostring(html, pretty_print=True)print(result)
同样可以得到相同的结果
XPath具体使用
依然以上一段程序为例
获取所有的<li>标签
from lxml import etreehtml = etree.parse('hello.html')print (type(html))result = html.xpath('//li')print (result)print (len(result))print (type(result))print (type(result[0]))
运行结果
<type 'lxml.etree._ElementTree'>[<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>]<type 'list'><type 'lxml.etree._Element'>
可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个<li>元素，每个元素都是 Element 类型
获取<li>标签的所有 class
result = html.xpath('//li/@class')print (result)
运行结果
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
获取<li>标签下 href 为 link1.html 的<a>标签
result = html.xpath('//li/a[@href="link1.html"]')print (result)
运行结果
[<Element a at 0x10ffaae18>]
获取<li>标签下的所有<span>标签
注意: 这么写是不对的
result = html.xpath('//li/span')#因为 / 是用来获取子元素的，而 <span> 并不是 <li> 的子元素，所以，要用双斜杠result = html.xpath('//li//span')print(result)
运行结果
[<Element span at 0x10d698e18>]
获取<li>标签下的所有 class，不包括<li>
result = html.xpath('//li/a//@class')print (result)#运行结果['blod']
获取最后一个<li>的<a>的 href
result = html.xpath('//li[last()]/a/@href')print (result)
运行结果
['link5.html']
获取倒数第二个元素的内容
result = html.xpath('//li[last()-1]/a')print (result[0].text)
运行结果
fourth item
获取 class 为 bold 的标签名
result = html.xpath('//*[@class="bold"]')print (result[0].tag)
运行结果
span
选择XML文件中节点
element（元素节点）attribute（属性节点）text （文本节点）concat(元素节点,元素节点)comment （注释节点）root （根节点）案例
需求：爬取起点中文网小说的名称
from lxml import etreeimport requestsurl = "/rank/yuepiao?chn=21"headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}resp = requests.get(url)e = etree.HTML(resp.text)names = e.xpath('//div[@class="book-mid-info"]/h4/a/text()')print(names)
结果：
['天道图书馆', '诡秘之主', '天阿降临', '圣武称尊', '太初', '牧神记', '史上最强赘婿', '这里有妖气', '伏天氏', '圣墟', '东皇大帝', '儒道至圣', '全职法师', '大道朝天', '万古神帝', '异界召唤之千古群雄', '恶魔就在身边', '万古最强宗', '我是至尊', '超神制卡师']
如果觉得《Python爬虫之（九）数据提取-XPath》对你有帮助，请点赞、收藏，并留下你的观点哦！
![[Python爬虫] 六 数据提取之XPath与lxml类库](https://sm.tqys.net/uploadfile/pic/538.jpg)
