Python爬虫基础——XPath语法的学习与lxml模块的使用

XPath与正则都是用于数据的提取，二者的区别是：

• 正则：功能相对强大，写起来相对复杂；
• XPath：语法简单，可以满足绝大部分的需求；

所以，如果你可以根据自己的需要进行选择。

一、首先，我们需要为Google浏览器配置XPath插件：

请自行学习，效果如下：

二、XPath的语法：

注意：
XPath的索引从1开始。

三、XPath的案例：

• 一级分类：
  //h3[@class="classify_c_h3"]/a/text()
  

• 二级分类：
  //div[@class="classify_list"]/span/a/text()
  

• 模糊查询：
  //div[contains(@class,"classify_list")]/span/a/text()
  

四、lxml模块的使用

import lxml.etree as le

with open('edu.html', 'r', encoding='utf-8') as f:
    html = f.read()
    # print(html)
    # 转换为XPath对象
    html_x = le.HTML(html)
    # print(html_x)
    # 匹配一二级分类的父标签
    div_x_s = html_x.xpath('//div[@class="classify_cList"]')  # 直接从HTML中取则不用加.
    data_s = []
    for div_x in div_x_s:
        # 一级分类
        category1 = div_x.xpath('./h3/a/text()')[0]  # 记得加.
        # 二级分类
        category2_s = div_x.xpath('./div/span/a/text()')  # 表示从当前节点进行筛选
        data_s.append(
            dict(
                category1=category1,
                category2_s=category2_s
            )
        )
    print(data_s)
    for data in data_s:
        print(data.get('category1'))
        for category2 in data.get('category2_s'):
            print('   ', category2)