python中bs4解析和xpath解析的示例分析

這篇文章給大家分享的是有關python中bs4解析和xpath解析的示例分析的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

bs4解析

原理:

1.實例化一個BeautifulSoup對象，并且將頁面源碼數據加載到該對象中

2.通過調用BeautifulSoup對象中相關的屬性或者方法進行標簽定位和數據提取

如何實例化BeautifulSoup對象:

from bs4 import BeautifulSoup

BeautifulSoup(參數一,參數二)

參數一為文件描述符，參數二為解析器，一般為’lxml’

一對象的實例化:

1.將本地的html文檔中的數據加載到該對象中

fp = open( './test.html','r',encoding='utf-8')
soup=BeautifulSoup(fp,'lxml')

2.將互聯網上獲取的頁面源碼加載到該對象中

page_text =response.text
soup=BeatifulSoup(page_text,'lxml')

soup指初始化的BeautifulSoup對象

用于數據解析的方法和屬性:

1.soup.tagName:返回的是文檔中第一次出現的tagName對應的標簽

2.soup.find():

(1).find( ‘tagName’):等同于soup.tagName

(2).屬性定位:soup.find(‘div’,class_/id/或者其他屬性=‘song’)

定位到< div class=“song”>/< div id=“song”>的標簽下

class如果沒有加_則代表關鍵字

3.soup.find_all(&lsquo;tagName&rsquo;):返回符合要求的所有標簽(列表)

soup對象:

<div class="tang">
    <ul>
        <li><a href="http://www.baidu.com" rel="external nofollow"  title= "ging">清明時節雨紛紛,路上行人欲斷魂,借問酒家何處有,牧童遙指杏花村</a></1i>
        <li><a href="http://www.163.com" rel="external nofollow"  title="qin">秦時明月漢時關，萬里長征人未還,但使龍城飛將在，不教胡馬度陰山</a></1i>
        <li><a href=" http://ww.126.com" rel="external nofollow" alt="qi ">歧王宅里尋常見，崔九堂前幾度聞，正是江南好風景,落花時節又逢君</a></li>
        <li><a href="http: //www.sina.com" rel="external nofollow"  class="du">杜甫</a></li>
        <li><a href="http://www.dudu.com" rel="external nofollow"  class="du">杜牧</a></li>
        <li><b>杜小月</b></li>
        <li><i>度蜜月</i></li>
        <li><a href="http://ww.hana.com”id=" rel="external nofollow" feng">鳳凰臺上鳳凰游，鳳去臺空江自流，吳宮花草埋幽徑，晉代衣冠成古丘</a></li>
    </ul>
</div>

4.select:

- select(&lsquo;某種選擇器(id,class，標簽&hellip;選擇器)&rsquo;),返回的是一個列表。

標簽什么都不加，class前面加. id前面加#

層級選擇器:

>表示的是一個層級；空格表示的多個層級

     soup.select( '.tang > ul > li > a') 
     soup.select( '.tang >ul a')
     結果為：[<a href="http://www.baidu.com" title= "ging">清明時節雨紛紛,路上行人欲斷魂,借問酒家何處有,牧童遙指杏花村</a>,
     <a href="http://www.163.com" title="qin">秦時明月漢時關，萬里長征人未還,但使龍城飛將在，不教胡馬度陰山</a>,
     <a href=" http://ww.126.com"alt="qi ">歧王宅里尋常見，崔九堂前幾度聞，正是江南好風景,落花時節又逢君</a>,
     <a href="http: //www.sina.com" class="du">杜甫</a>,
     <a href="http://www.dudu.com" class="du">杜牧</a>,
    <a href="http://ww.hana.com”id="feng">鳳凰臺上鳳凰游，鳳去臺空江自流，吳宮花草埋幽徑，晉代衣冠成古丘</a>]

5.獲取標簽之間的文本數據:

-soup.a.text/string/get_text()

-text/get_text():可以獲取某一個標簽中所有的文本內容

-string:只可以獲取該標簽下面直系的文本內容

6.獲取標簽中屬性值:

soup.a[&lsquo;屬性值&rsquo;]

print(soup.select( '.tang > ul > li > a') [0]['href'])
結果：
www.baidu.com

xpath解析

最常用且最便捷高效的一種解析方式。通用性。

xpath解析原理:

1.實例化一個etree的對象，且需要將被解析的頁面源碼數據加載到該對象中。

2調用etree對象中的xpath方法結合著xpath表達式實現標簽的定位和內容的捕獲。

實例化一個etree對象:

from lxml import etree

-1.將本地的html文檔中的源碼數據加載到etree對象中:

etree.parse(filePath)

-2.可以將從互聯網上獲取的源碼數據加載到該對象中

etree.HTML( 'page_text')

xpath( &lsquo;xpath表達式&rsquo;)

xpath表達式:(返回一個列表)

-/:表示的是從根節點開始定位。表示的是一個層級。

-//:表示的是多個層級。可以表示從任意位置開始定位。

-屬性定位://div[@class=&lsquo;song&rsquo;] tag[@attrname=&lsquo;attrvalue&rsquo;]

-索引定位：//div[@class=&lsquo;song&rsquo;]/p[3]

索引從1開始的

取文本:

• /text(）獲取的是標簽中直系的文本內容

• //text(標簽中非直系的文本內容(所有的文本內容)

取屬性:

• /@attrName

• eg:/img/@src

• ./表示定位到當前位置（局部解析）

多個xpath之間用|分割:

• tree.xpath(&rsquo;//div[@class=&lsquo;song&rsquo;]/p[3] | //div[@class=&lsquo;song&rsquo;]&rsquo;)

感謝各位的閱讀！關于“python中bs4解析和xpath解析的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！