这两天在研究Scrapy，在遇到用Xpath提出时，需要有Chrome的XPath helper，但老是出现错误。废话少说，还是先把测试网页保存到本地，逐步的测试提取。
测试文本text.html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>测试－常规方法</title>
</head>
<body>
<div id="content">
<ul id="useful">
<li>这是第一条信息</li>
<li>这是第二条信息</li>
<li>这是第三条信息</li>
</ul>
<ul id="useless">
<li>不需要的信息１</li>
<li>不需要的信息２</li>
<li>不需要的信息３</li>
</ul>
<div id="url">
<a href="http://jikexueyuan.com">极客学院</a>
<a href="http://jikexueyuan.com/sourse/" title="极客学院课程库">点我打开课程库</a>
</div>
</div>
<div id="test-0">大家好！</div>
<div id="test-1">需要的内容1</div>
<div id="test-2">需要的内容2</div>
<div id="testfault">需要的内容3</div>
<div id="tiger">
我左青龙，
<span id="tiger2">
右白虎，
<ul>
上朱雀，
<li>下玄武。</li>
</ul>
老牛在当中，
</span>
龙头在胸口。
</div>
<div id="test-3">美女,
<font color=red>你的微信是多少？</font>
</div>
</body>
</html>
使用XPath对相关内容的提取
# -*- coding: utf-8 -*-
from lxml import etree
f = open('text.html', 'r',encoding="utf-8")
html = f.read()
#print (html)
f.close()
selector = etree.HTML(html)selector.xpath提取后为list
#提取单个文本
content = selector.xpath('//div[@id="test-0"]/text()')
print (content)[‘大家好！’]
#提取多个文本
content = selector.xpath('//ul[@id="useful"]/li/text()')
print (content)
for each in content:
print (each)
结果为：
这是第一条信息
这是第二条信息
这是第三条信息
#提取属性
link = selector.xpath('//a/@href')
for each in link:
print (each)
结果为：
http://jikexueyuan.com
http://jikexueyuan.com/sourse/
#提取title
title = selector.xpath('//a/@title')
print (title[0])
结果为：
极客学院课程库
# 以相同的字符开头 starts-with(＠属性名称，属性字符相同部分)
content = selector.xpath('//div[starts-with(@id,"test")]/text()')
for each in content:
print (each)
结果为：
大家好！
需要的内容1
需要的内容2
需要的内容3
美女,
#标签套标签,取出所有的标签
data = selector.xpath('//div[@id="test-3"]')[0]
info = data.xpath('string(.)')
info=str(info)# info为<class 'lxml.etree._ElementUnicodeResult'>，转为字符
content=" ".join(info.split())
print (content)
data = selector.xpath('//div[@id="tiger"]')[0]
info = data.xpath('string(.)')
info=str(info)# info为<class 'lxml.etree._ElementUnicodeResult'>，转为字符
content=" ".join(info.split())
print (content)
结果为：
美女, 你的微信是多少？
我左青龙， 右白虎， 上朱雀， 下玄武。 老牛在当中， 龙头在胸口。
注：这里我将list转为str。网上有许多其他方法加extract()我尝试后，发现均出错。
另外，发现网上的代码有问题。
data = selector.xpath('//div[@id="test3"]')info = data.xpath('string(.)').extract()[0]
这样，就可以把“我左青龙，右白虎，上朱雀，下玄武。老牛在当中，龙头在胸口”整个句子提取出来，赋值给info变量。
在IDE中直接测试
from lxml import etree
text="""
<div class="bd doulist-subject">
<div class="source">
来自：豆瓣读书
</div>
<div class="post">
<a href="https://book.douban.com/subject/10519369/" target="_blank">
<img width="100" src="https://img1.doubanio.com/lpic/s8869768.jpg">
</a>
</div>
<div class="title">
<a href="https://book.douban.com/subject/10519369/" target="_blank">
万物生光辉
</a>
</div>
<div class="rating">
<span class="allstar50"></span>
<span class="rating_nums">9.4</span>
<span>(738人评价)</span>
</div>
<div class="abstract">
"
作者: [英] 吉米·哈利
<br>
"
出版社: 中国城市出版社
<br>
"
出版年: 2012-3
"
</div>
</div>
"""
selector = etree.HTML(text)
title = selector.xpath('//div[@class="title"]/a/text()')
title=title[0]
title=title.replace(" ","").replace("\\n","").replace("\\r","")
title=title.strip()
print (title)
rate = selector.xpath('//span[@class="rating_nums"]/text()')
rate=rate[0]
rate=rate.replace(" ","").replace("\\n","").replace("\\r","")
print (rate)
author = selector.xpath('//div[@class="abstract"]/text()')
author=author[0]
author=author.replace(" ","").replace("\\n","").replace("\\r","").replace('"',"")
author=author.strip()
print (author)
参考如下网页，非常感谢：
http://blog.csdn.net/betabin/article/details/24392369
http://blog.csdn.net/skyeyesxy/article/details/50838003
http://blog.chinaunix.net/uid-13869856-id-5747417.html
https://segmentfault.com/q/1010000006053119/a-1020000006053611