目录

1.HTML网页基础

 2. 安装XPath

2.1 pip install lxml

2.2 PyCharm

3.  XPath基本语法

4. 一键教你学会使用XPath

XPath是一种在XML文档中查找信息的语言，可以使用它在HTML源代码文档中通过元素、属性等方式进行查找和提取数据。

1.HTML网页基础

HTML是用来描述网页的一种语言，其全称为Hyper Text Markup Language（超文本标记语言），这里首先要声明一点，HTML不是一种编程语言，而是一种标记语言。

我们打开百度浏览器认识一下网页结构：

 可以看到内容是非常多的，毕竟百度浏览器是非常强大的。下面让我们简单了解一下基本结构：

在PyCharm中新建一个html文件：

 #声明为HTML文档
 #根元素
 #文档数据存储，一般不会显示在网页上（不可见）
     #声明网页编码格式
     #文档标题


#定义页面可见内容

当我在

#定义页面可见内容

添加一些内容时

例如：

    
    


PYTHON入门

    

        
表头 1
        
表头 2
    
    

        
第一行第一列存放的数据
        
第一行第二列存放的数据
    
    

        
第二行第一列存放的数据
        
第二行第二列存放的数据
    

爬虫入门
PYTHON编程基础
爬虫入门（2）——requests（2）的博文链接
requests

选择浏览器打开网页：

效果如下：

都是我们存放的可见内容

 2. 安装XPath

XPath是依附在lxml库里面的，需要安装lxml库。安装命令如下：

2.1 pip install lxml

2.2 PyCharm

3.  XPath基本语法

XPath的基本原理是使用路径表达式来提取HTML文档中的元素或元素集，然后元素是通过沿着路径来选取数据的。

XPath常用语法格式

表达式	描述
div	选取div元素的所有子元素
/div	选取根元素div
ul//li	选取ul元素下的所有li元素，不管他们在文档中的任何位置
//@class	选取所有具有class属性的元素
ul/li[1]	选取ul元素下第一个li元素
//div[@id='t2']	选取id属性为t2的所有div元素
//li[@class='item-1']	选取class属性为item-1的所有li元素
/div/ul/li[@class='item-1']	选取根元素div下ul元素下class属性为item-1的li元素

但是问题来了，即使使用XPath匹配到了元素后，如果需要提取元素中的文本内容、连接等，需要如何做呢？例如：

from lxml import etree
html="""



    
    


PYTHON入门

    

        
表头 1
        
表头 2
    
    

        
第一行第一列存放的数据
        
第一行第二列存放的数据
    
    

        
第二行第一列存放的数据
        
第二行第二列存放的数据
    

爬虫入门
PYTHON编程基础
爬虫入门（2）——requests（2）的博文链接
requests




"""
tree = etree.HTML(html)
result1 = tree.xpath("/html/body/a")
result2 = tree.xpath("/html/body/a/text()")
result3 = tree.xpath("/html/body/a/@href")
print(result1)
print(result2)
print(result3)

运行结果如下：

[]
['爬虫入门（2）——requests（2）的博文链接']
['https://blog.csdn.net/WHJ226/article/details/125072099']

4. 一键教你学会使用XPath

大家学习爬虫入门的话其实没必要纠结我该怎么会写XPath路径来获取信息和数据呢，其实完全没必要，我们只要看得懂就行，其他就交给复制粘贴键来进行操作：

例如：

 所以大家只要记得我表格里面列出来的表达式是什么意思，学会复制粘贴就行，其他使用XPath匹配数据和信息的方法就没必要掌握了（只代表个人见解，如果个人会写XPath还是非常牛掰的！）。