lxml库和BeautifulSoup库常用点小结
算是本人的学习笔记吧,仅供个人学习使用。
以下内容摘自《Python3网络爬虫开发实战--崔庆才著》
1.lxml
库
XPath 常用规则:
表达式 | 描述 |
---|---|
nodename | 选取此节点的所有子节点 |
/ | 从当前节点选取直接子节点 |
// | 从当前节点选取子孙节点 |
. | 选取当前节点 |
.. | 选取当前节点的父节点 |
@ | 选取属性 |
具体阐述:
目的 | 示例 | 含义 |
---|---|---|
所有节点 | //li | 以//开头,表示获取所有li节点 |
子节点选取 | //li | 获取所有li节点 |
//li/a | 获取所有li节点的所有直接a子节点 | |
//li//a | 获取li节点下的所有子孙a节点 | |
//a[@href="link4.html"] | 获取href属性为link4.html的a节点 | |
父节点选取 | //a[@href="link4.html"]/.. | 获取href属性为link4.html的a节点的父节点 |
文本获取 | text() | 获取节点内部的文本 |
//li[@class="item-0"]/text() | 选取class属性为item-0的li节点的直接子节点内部的文本 | |
//li[@class="item-0"]//text() | 选取class属性为item-0的li节点的子孙节点内部的文本 | |
属性获取 | @ | 获取节点的属性 |
//li/a/@href | 获取所有li节点的直接子节点a的href属性,返回内容可能为"link4.html" | |
属性多值匹配 | contains(classname,classvalue)方法 | 第一个参数传入属性名称,第二个参数传入属性值 |
//li[contains(@class,"li")]/a/text() | 获取class属性值包含"li"的li节点的直接子节点a内部的文本 | |
多属性匹配 | and运算符 | 根据多个属性确定一个节点 |
//li[contains(@class,"li") and @name="item"]/a/text() | 需要同时根据class和name属性的值来确定li节点 |
2.BeautifulSoup
库的方法选择器
载入库
from bs4 import BeautifulSoup
soup=BeautifulSoup(html,"lxml") #进行BeautifulSoup对象的初始化
find_all(name,attrs,recursive,text,**kwargs)
:查询所有符合条件的元素;find()
返回的是第一个匹配的元素
参数 | 作用 | 示例 |
---|---|---|
name | 根据节点名查询元素 | soup.fina_all(name="ul") #查询所有的ul节点 |
attrs | 根据属性查询 | soup.find_all(attrs={'id':'list-1'})) #查询id属性值为list-1的节点 |
text | 匹配节点的文本 | soup.find_all(text=re.compile('link')) #返回所有匹配正则表达式的节点的文本组成的列表 |
lxml库和BeautifulSoup库常用点小结的更多相关文章
- requests 库和beautifulsoup库
python 爬虫和解析 库的安装:pip install requests; pip install beautifulsoup4 requests 的几个常用方法: requests.reques ...
- python爬虫学习(一):BeautifulSoup库基础及一般元素提取方法
最近在看爬虫相关的东西,一方面是兴趣,另一方面也是借学习爬虫练习python的使用,推荐一个很好的入门教程:中国大学MOOC的<python网络爬虫与信息提取>,是由北京理工的副教授嵩天老 ...
- BeautifulSoup库整理
BeautifulSoup库 一.BeautifulSoup库的下载以及使用 1.下载 pip3 install beautifulsoup4 2.使用 improt bs4 二.BeautifulS ...
- Python:requests库、BeautifulSoup4库的基本使用(实现简单的网络爬虫)
Python:requests库.BeautifulSoup4库的基本使用(实现简单的网络爬虫) 一.requests库的基本使用 requests是python语言编写的简单易用的HTTP库,使用起 ...
- 【Python】在Pycharm中安装爬虫库requests , BeautifulSoup , lxml 的解决方法
BeautifulSoup在学习Python过程中可能需要用到一些爬虫库 例如:requests BeautifulSoup和lxml库 前面的两个库,用Pychram都可以通过 File--> ...
- Python爬虫小白入门(三)BeautifulSoup库
# 一.前言 *** 上一篇演示了如何使用requests模块向网站发送http请求,获取到网页的HTML数据.这篇来演示如何使用BeautifulSoup模块来从HTML文本中提取我们想要的数据. ...
- beautifulsoup库使用
介绍与安装 Beautiful Soup 是一个HTML/XML的解析器,主要的功能也是如何解析和提取 HTML/XML 数据.BeautifulSoup 用来解析 HTML 比较简单, API非常人 ...
- BeautifulSoup库的使用
1.简介 BeautifulSoup库也是一个HTML/XML的解析器,其使用起来很简单,但是其实解析网站用xpath和re已经足矣,这个库其实很少用到.因为其占用内存资源还是比xpath更高. '' ...
- BeautifulSoup库
'''灵活又方便的网页解析库,处理高效,支持多种解析器.利用它不用编写正则表达式即可方便的实现网页信息的提取.''' BeautifulSoup库包含的一些解析库: 解析库 使用方法 优势 劣势 py ...
- python BeautifulSoup库的基本使用
Beautiful Soup 是用Python写的一个HTML/XML的解析器,它可以很好的处理不规范标记并生成剖析树(parse tree). 它提供简单又常用的导航(navigating),搜索以 ...
随机推荐
- go 语言 for循环的一个坑
1.案例1 package main import "fmt" type Card struct { id int } func main() { list := make([]* ...
- gunicorn的功能及使用方法
一.gunicorn的简介Gunicorn是基于unix系统,被广泛应用的高性能的Python WSGI HTTP Server.用来解析HTTP请求的网关服务.它通常是在进行反向代理(如nginx) ...
- python判断文件后缀名
endswith()方法 利用文件名或路径名对文件后缀进行判断,例如对文件名后缀是否为.jpg的文件进行判断. path = "file.jpg" bool = path.ends ...
- celery+redis的使用(异步任务、定时任务)
目录 celery理解 安装celery+redis 异步任务使用 1.基础使用 新建task.py文件 在项目文件目录下执行python交互式编程 在项目文件目录下创建worker消费任务 2.使用 ...
- javaweb同一个项目打包两次放在同一个tomcat下
web.xml中配置: <context-param> <param-name>webAppRootKey</param-name> <param-value ...
- 回归分析 3.X 多元线性回归
多元线性回归模型 参数估计 模型表示 我们先将模型 \[y_{i}=\beta_{0}+\beta_{1} x_{i 1}+\cdots+\beta_{p} x_{i k}+\epsilon_{i}, ...
- VUE学习-:class & :style
:class & :style :class 键值对 <div id="app" v-bind:class="{ 'active': isActive }& ...
- mysql使用经验
1.mysql建表主键,如果整数,用bigint而不用int 2.执行sql加最大执行时间 /*+ max_execution_time(60000)*/ 3.sql中避免offset过大,查询不出来
- Appium+RobotFrameWork测试环境搭建
前提:搭建好robotframework环境 RF基于python2.7的版本实现的一套开源自动化测试框架 推荐使用Appium Desktop, 搭建Appium环境: 1. 搭建JDK 2. 搭建 ...
- 【windows】bat脚本、批处理文件
::当前盘符 @echo current pan : %~d0 ::当前路径 @echo current path : %cd%\ ::当前bat文件路径 @echo the bat's path : ...