xPath，beautifulsoup和pyquery

1、XPath

from lxml import etree

html = etree.parse('html源代码',etree.HTMLPaser())

1.节点的获取

　　a.html.xpath('//*')  #匹配HTML中的全部节点

　　b.html.xapth('//li') #匹配全部的li节点

　　c.// 获取全部的子孙节点   ‘/’  获取子节点(区别好 '//'  与  '/')

　　d.html.xapth('//li[@class='item-0']')  #根据属性匹配

　　e.html.xapth('//li[contains(@class,'li')])  #属性多值匹配 contains()方法,第一个参数传入属性名称，第二个参数传入属性值，只要此属性包含所传入的属性值就能够完成匹配

　　f.多属性匹配  .html.xapth('//li[contains(@class,'li') and @name='item'])

　　g.按顺序选择 html.xapth('//li[last()]') 最后一个li节点            

　　   html.xapth('//li[position()<3]') 位置小于3的li节点        

　　   html.xapth('//li[1]')  选择第一个li节点

　　h.节点轴选择 html.xapth('//li/child::')  直接子节点      

　　   html.xapth('//li/ancestor::') 全部祖先节点         

　　　html.xapth('//li'/attribute::)  获取全部的属性值

　　　html.xapth('//li/decendant::') 获取全部的子孙节点

　　2.属性，文本获取

　　　　(1).文本获取

　　　　　　html.xapth('//li/text()')

　　　　(2).属性获取

　　　　　　html.xapth('//li/@class')  #获取li标签的class的属性值

2、BeautifulSoup

1.节点选择器

　　直接调用节点名称就能够选择节点元素，在调用string属性就能够获得节点内的文本

　　eg：soup.title.string

　　a.提取信息：能够经过name属性得到节点的名称      soup.title.name

　　b.获取属性：每一个节点有多个属性，好比 id，class等。选择这个节点元素以后，能够调用attrs获取全部的属性    soup.p.attrs  　　

　　　　　　　soup.p.attrs[‘name’]  获取属性name的值      另外一种简单的方式：soup.p['name']

　　c.获取内容：soup.p.string   获取p标签的内容

2.嵌套选择：好比咱们以前获取了head的节点元素，咱们能够继续调用head来选去head的内部元素

3.关联选择

　　a.子节点与子孙节点：　　soup.p.contents 获取p标签元素的全部直接子节点，返回的是列表

　　　　　　　　　　　　　　soup.p.children 也是返回p标签元素的全部直接子节点， 不过返回的是生成器

　　　　　　　　　　　　　　soup.p.descendants 返回p标签的全部的子孙节点，返回的是生成器

　　b.父节点和祖先节点

　　　　　　　　　　　　　　soup.p.parent  返回的是p标签的直接父节点

　　　　　　　　　　　　　　soup.p.parents 返回的是p标签的全部祖先节点，返回的是生成器

　　c.兄弟节点　　

　　　　　　　　　　　　　　soup.p.next_slibling　　返回的是节点的下一个节点

　　　　　　　　　　　　　　soup.p.next_sliblings      返回的是下面的全部的兄弟节点，返回的是生成器

　　　　　　　　　　　　　　soup.p.previous_slibling  返回的是上一个兄弟节点

　　　　　　　　　　　　　　soup.p.previous_slibling  返回的是上面的全部的兄弟节点，返回的生成器

4.方法选择器

　　a.find_all()   查找全部符合的元素，返回的是列表     find_all(name,attrs,recursive,tetxt,**kwargs)

　　　　name:根据节点名称查询元素  soup.find_all(name='ul')   查询文档树中全部的ul的标签元素

　　　　attrs：根据属性查询节点   soup.find_all(attr={'id':'list-1'})  查询文档树中全部id属性值为‘list-1’的元素

　　　　text:   根据文本查询节点 传入的的形式能够是字符串，也能够是正则表达式对象   soup.find_all(text=re.compile('link'))   查询文本中全部含link的标签元素

　　b.find()  find 返回的生死单个元素，也就是匹配的第一个元素，方法同find_all()

　　c. find_parents(),find_parent(),find_next_siblings(),find_next_sibling(),find_previous_siblings(),find_next_sibling(),find_all_next(),find_next(),find_all_prevous(),find_privous()

　　　这一组方法都是和find_all()与find()一致

5.CSS选择器

　　使用CSS选择器时，只须要调用select() 方法，传入相应的CSS选择器便可

　　soup.select('CSS选择器')

3、pyquery

import pyquery as pq

doc = pq(html文档or url)

1.基本CSS选择器

　　doc('CSS选择器')

2.查找节点  

　　a.查找子节点：find()方法  find()方法查找的是全部的子孙节点，若是只想查找子节点，能够用children()方法；find()或者children()方法直接传入CSS选择器便可

　　b.查找父节点：parent()  查询直接父节点，parents() 查找祖先节点    都是传入CSS选择器便可

　　c.兄弟节点：siblings() 筛选摸个兄弟节点能够传入CSS选择器

3.遍历：对于多个节点的结果，就须要遍历，须要调用items()方法  doc('li').items()   遍历全部的li标签元素

4.获取信息

　　a.获取属性   提取到节点以后，就能够调用attr()方法获取属性  doc('.item-0.active a').attr('href')  

　　　　　　　   也能够经过调用attr属性来获取属性    doc('.item-0.active a').attr.href  (说明：当返回结果包含多个节点时，调用attr()方法智慧获得第一个属性值)

　　b获取文本内容：调用text()方法   doc('.item-0.active a').text()

　　c.获取HTML文本 ，调用html()方法   doc('.item-0.active a').html()

5.节点操做

　　a.addClass(),removeClass() 动态的改变节点的class的属性值

　　b.attr，text，html 修改属性值，文本内容，html文本

　　　　 doc('.item-0.active a').attr('name','link'); doc('.item-0.active a').text('changed item');   doc('.item-0.active a').html('<span> change item</span>')

　　c.remove 移除，能够将特定的节点移除   doc('.item-0.active a').remove()

6.伪类选择器(举例说明)：

　　a. li = doc('li:first-child')

　　b. li = doc('li:last-child')

　　c. li = doc('li:nth-child(2)')

　　d. li = doc('li:gt(2)')

　　e .li = doc('li:nth-child(2n)')

　　f. li = doc('li:contain(second))

 

 

好了就写到这了！！！！！！！！！！！！！！！！！！！！！！！