【Python爬虫】使用etree进行XPath解析

一、相关知识

etree的使用

编码流程

1. 将HTML文本加载到etree对象中
2. 调用etree的xpath()函数完成标签定位
3. 对标签为所欲为（此时获得的标签其实是xpath()函数返回的对象）

环境安装

pip install lxml

实例化etree对象

# 首先导入模块
from lxml import etree

1. 从本地加载HTML

   filePath = '你的HTML文件路径'
   tree = etree.parse(filePath)
   

2. 从响应数据加载HTML

   url = '某个网址'
   respose = requests.get(url)
   tree = etree.HTML(respose.text)
   

XPath语法

XPath相关知识详见：https://www.runoob.com/xpath/xpath-syntax.html

注：

• /text()获取的是标签直系文本
• //text()获取的是标签下所有文本

二、实例 - 爬取全国城市名称

🔍网页分析

背景介绍

要爬取的网站：https://www.aqistudy.cn/historydata/
这是个提供城市pm2.5相关数据的网站，可以看到我们想要的城市名都在下面啦

页面分析

网站结构还是非常清晰的，每个首字母对应的所有城市在一个<ul>标签中

所以目标就很明确了，定位到每个城市对应的<a>标签，获取标签文本即可

先定位<ul>标签，发现热门城市和全部城市下面的<ul>的class属性是相同的，顺着父节点往上找，，，思路如下

1. <div class="bottom">相同
2. <div class="top">相同
3. <div class="hot">和<div class="all">不同！

于是我们可以这样写xpath：//div[@class='all']//ul

当然定位方式有多种，大家可以ctrl+F输入xpath来测试语句是否正确，比如

💻代码

代码非常简单，就不多解释啦

from lxml import etree
import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36 Edg/96.0.1054.62'
}
url = 'https://www.aqistudy.cn/historydata/'
res = requests.get(url=url, headers=headers)

# 将相应数据加载到etree对象
tree = etree.HTML(res.text)
# 获取每个首字母开头的所有城市的<ul>标签
ul_list = tree.xpath("//div[@class='all']//ul")

# 循环每一个<ul>标签，并添加到city_list列表中
city_list = []
for ul in ul_list:
    city_list += ul.xpath('.//a/text()')
    
# 输出结果
print(city_list)

》输出 》