xpath基本使用
一.安装lxml包
pip install lxml
二.使用
1.使用:
from lxml import etree # 导包
import requests
?
response = resquests.get(‘www.baidu.com‘)
# 生成一个html对象
# html = etree.parse(html文档) # 参数为 html文档
html = etree.HTML(response.text) # 参数为字符串文本
div = html.xpath(‘xpath表达式‘) # 返回一个文本列表
1.获取最外面标签，遍历内部所有的子标签，获取标签文本
content_list =div.xpath(‘.//div[@class="d_post_content j_d_post_content "]/text()‘).extract()
2.正则去掉所有标签 <.*?> re.compile.sub()
content_list=div.xpath(‘.//div[@class="d_post_content j_d_post_content "]‘)
pattern=re.compile(r(‘<.*?>‘),re.S)
content=pattern.sub(‘‘,content_list)
3./text() 获取标签的文本 //text()获取标签以及子标签的文本
content_list = div.xpath(‘.//div[@class=”d_post_content j_d_post_content “]//text()’).extract()
4 使用xpath(‘string(.)’)这种方式获取所有文本 并且拼接
content_list=div.xpath(‘.//div[@class="d_post_content j_d_post_content "]‘).xpath(‘string(.)‘).extract()[0]+‘\n‘
文本内容获取之后print(content_list)查看内容,如需处理格式,则如下:
remove = re.compile(‘\s‘) content = ‘‘ for string in content_list: string = remove.sub(‘‘,string) content += string
string方法: content = div.xpath(‘string(.//div[@class="content"])‘).strip() # 获取该div下所有文本组成一个字符串