一、python数据提取xpath
1.beautifulsoup xpath 正则表达式
2.xpath是一种在XML和HTML文档中查找信息的语言，可用来在XML和HTML中对元素进行遍历 Chrome XPath Helper
3.XPath语法
（1）选取节点：使用路径表达式来选取文档中的节点
nodename 选取节点的所有子节点 //div
/ 如果是在最前面，代表从根节点选取，否则选择某节点下的某个节点 一个/代表直接子节点（一个网页的直接子节点是HTML） 两个//代表子孙节点 /html/body 代表查找的是html下面的直接子节点body
@选取某个节点的属性 //div[@id]选取所有拥有id属性的div节点
（2）谓语
/bookstore/book[1] 选取bookstore中的第一个book元素
/bookstore/book[last()] 选取bookstore中的最后一个book元素
/bookstore/book[position()<3] 选取bookstore下前面两个子元素
//div[contains(@class,"fl")] 模糊匹配
（3）//dl[@class="job" and @id="jong"] 获取即拥有class也有id属性的dl
使用//获取整个页面当中的元素，然后写标签名写谓词进行提取
需要注意：
/和//区别 /代表只获取直接子节点 //获取子孙节点
contains：有时候某个属性包含了多个值，可以使用contains
代码：
//div[contains(@class="job")]
谓词的下标是从1开始的
二、lxml库
基本使用：
六个双引号可以加入多行代码作为字符串
from lxml import etree
html=etree.HTML.(text) html不是一个字符串，是一个Element类型的对象
print(etree.tostringt(htmlElement,encoding=‘utf-8‘)).decode(‘utf-8‘)
def parse_lago_file():
parse=etree.HTMLParser(encoding=‘utf-8‘) 制定用html的解析器，parse方法默认的是xml的解析器，如果html代码不规范，出现错误的标签，使用xml的解析器会报错，因此要换成html的解析器
htmlElement=etree.parse("lago.html",parse=parse)
print(etree.tostringt(htmlElement,encoding=‘utf-8‘)).decode(‘utf-8‘) parse方法不能处理有问题的标签，会报错
1.解析html字符串，使用‘lxml.etree.HTML’进行解析
html=etree.HTML.(text) html不是一个字符串，是一个Element类型的对象
print(etree.tostring(htmlElement,encoding=‘utf-8‘)).decode(‘utf-8‘)
2.解析html文件，使用‘lxml.etree.parse’进行解析，这个函数默认使用的是‘xml’解析器，如果碰到一些不规范的‘HTML’代码的时候就会出现解析错误，就要创建‘HTML’解析器
xpath函数返回的是一个列表
3.for tr in trs:
href=tr.xpath(".//a")
注意在trs中寻找a标签，需要在//前面加一个.，否则就会在整个html中寻找a标签
原文地址：https://www.cnblogs.com/zhang12345/p/12299774.html