python---------xpath提取数据------打破局限

作者前言

欢迎小可爱们前来借鉴我的gtiee秦老大大 (qin-laoda) - Gitee.com

为什么要学习XPATH和LXML类库

可以利⽤ Xpath 来快速的定位特定元素以及获取节点信息,我们可以理解为对 html 或 xml 形式的⽂本提取特定的内容

什么是XPATH

Xpath 全称是 xml path language ,Xpath是⼀⻔在 HTML/XML ⽂档中查找信息的语⾔，可⽤来在HTML/XML ⽂档中对元素和属性进⾏遍历， XPath 使⽤路径表达式来选取 HTML/XML ⽂档中的节点或者节点集

认识XML

XML的节点关系

节点的概念：每个XML的标签我们都称之为节点，其中最顶层的节点称为根节

点

节点选择语法

节点修饰语法

选择未知节点

lxml库

lxml 是⼀个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。

利⽤etree.HTML，将字符串转化为Element对象

lxml python 官⽅⽂档： http://lxml.de/index.html 可使⽤ pip 安装： pip install lxml （或通过wheel⽅式安装）

lxml 可以⾃动修正 html 代码

安装:

下面我来爬取一个页面来给小可爱们

代码:

import requests
from lxml import etreedef parse_data(html):# 创建一个xpath对象e_html=etree.HTML(html)# print(e_html.xpath('//main[@id="c-626160000"]'))for i in e_html.xpath('//main[@id="c-626160000"]'):print("/n".join(i.xpath('./p//text()')).strip())return "".join(i.xpath('./p//text()')).strip()def save_data(data):with open("小说.txt","w",encoding="utf-8")as f:f.write(data)def parse_url(url,header):response = requests.get(url)return responsedef main():"""主要的业务逻辑"""# urlurl = "https://www.qidian.com/chapter/1021617576/626160000/"header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36"}# 发送请求获取响应response = parse_url(url, header)# print(response.text)html = response.text# 数据的提取data = parse_data(html)# 保存save_data(data)if __name__ == '__main__':main()

结果: