首页 精品内容 本月促销 HOT
装机必备 HOT
Windows PDF教程 HOT macOS软件 IOS软件 Android AI 专题

当前位置：

首页 > 编程开发 > Python中如何使用XPath、JSONPath和bs4来解析文档？

Python中如何使用XPath、JSONPath和bs4来解析文档？

作者：水悠悠予安 时间：2023-05-08 来源：正软商城 浏览：4

1.xpath1.1xpath使用google提前安装xpath插件，按ctrl+shift+x出现小黑框安装lxml库pipinstalllxml‐ihttps://pypi.douban.com/simple导入lxml.etreefromlxmlimportetreeetree.parse()解析本地文件html_tree=etree.parse('XX.html')etree.HTML()服务器响应文件html_tree=etree.HTML(response.read().dec

本文目录

    1.xpath

    1.1 xpath使用

    • google提前安装xpath插件，按ctrl + shift + x 出现小黑框

    • 安装lxml库 pip install lxml ‐i https://pypi.douban.com/simple

    • 导入lxml.etreefrom lxml import etree

    • etree.parse() 解析本地文件html_tree = etree.parse('XX.html')

    • etree.HTML() 服务器响应文件html_tree = etree.HTML(response.read().decode('utf‐8')

    • .html_tree.xpath(xpath路径)

    1.2 xpath基本语法

    1.路径查询

    • 查找所有子孙节点，不考虑层级关系 

    • 找直接子节点

    2.谓词查询

    //div[@id] 
//div[@id="maincontent"]

    3.属性查询

    //@class

    4.模糊查询

    //div[contains(@id, "he")] 
//div[starts‐with(@id, "he")]

    5.内容查询

    //div/h2/text()

    6.逻辑运算

    //div[@id="head" and @class="s_down"] 
//title | //price

    1.3 示例

    xpath.html

    


    
    Title


    
      
        北京
        上海
        广州
        
    • 深圳
      • 
    
    


    from lxml import etree

# xpath解析
# 本地文件：                                          etree.parse
# 服务器相应的数据    response.read().decode('utf-8')  etree.HTML()


tree = etree.parse('xpath.html')

# 查找url下边的li
li_list = tree.xpath('//body/ul/li')
print(len(li_list))  # 4

# 获取标签中的内容
li_list = tree.xpath('//body/ul/li/text()')
print(li_list)  # ['北京', '上海', '广州', '深圳']

# 获取带id属性的li
li_list = tree.xpath('//ul/li[@id]')
print(len(li_list))  # 3

# 获取id为l1的标签内容
li_list = tree.xpath('//ul/li[@id="l1"]/text()')
print(li_list)  # ['北京']

# 获取id为l1的class属性值
c1 = tree.xpath('//ul/li[@id="l1"]/@class')
print(c1)  # ['class1']

# 获取id中包含l的标签
li_list = tree.xpath('//ul/li[contains(@id, "l")]/text()')
print(li_list)  # ['北京', '上海']
# 获取id以d开头的标签
li_list = tree.xpath('//ul/li[starts-with(@id,"d")]/text()')
print(li_list)  # ['广州']
# 获取id为l2并且class为class2的标签
li_list = tree.xpath('//ul/li[@id="l2" and @class="class2"]/text()')
print(li_list)  # ['上海']
# 获取id为l2或id为d1的标签
li_list = tree.xpath('//ul/li[@id="l2"]/text() | //ul/li[@id="d1"]/text()')
print(li_list)  # ['上海', '广州']

    1.4 爬取百度搜索按钮的value

    import urllib.request
from lxml import etree
url = 'http://www.baidu.com'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'
}
request = urllib.request.Request(url=url, headers=headers)
response = urllib.request.urlopen(request)
content = response.read().decode('utf-8')
tree = etree.HTML(content)
value = tree.xpath('//input[@id="su"]/@value')
print(value)

    Python中如何使用XPath、JSONPath和bs4来解析文档？

    1.5 爬取站长素材的图片

    # 需求 下载的前十页的图片
# https://sc.chinaz.com/tupian/qinglvtupian.html   1
# https://sc.chinaz.com/tupian/qinglvtupian_page.html
import urllib.request
from lxml import etree
def create_request(page):
    if (page == 1):
        url = 'https://sc.chinaz.com/tupian/qinglvtupian.html'
    else:
        url = 'https://sc.chinaz.com/tupian/qinglvtupian_' + str(page) + '.html'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36',
    }
    request = urllib.request.Request(url=url, headers=headers)
    return request
def get_content(request):
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')
    return content
def down_load(content):
    #     下载图片
    # urllib.request.urlretrieve('图片地址','文件的名字')
    tree = etree.HTML(content)
    name_list = tree.xpath('//div[@id="container"]//a/img/@alt')
    # 一般设计图片的网站都会进行懒加载
    src_list = tree.xpath('//div[@id="container"]//a/img/@src2')
    print(src_list)
    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        url = 'https:' + src
        urllib.request.urlretrieve(url=url, filename='./loveImg/' + name + '.jpg')
if __name__ == '__main__':
    start_page = int(input('请输入起始页码'))
    end_page = int(input('请输入结束页码'))

    for page in range(start_page, end_page + 1):
        # (1) 请求对象的定制
        request = create_request(page)
        # （2）获取网页的源码
        content = get_content(request)
        # （3）下载
        down_load(content)

    2. JsonPath

    2.1 pip安装

    pip install jsonpath

    2.2 jsonpath的使用

    obj = json.load(open('json文件', 'r', encoding='utf‐8')) 
ret = jsonpath.jsonpath(obj, 'jsonpath语法')

    JSONPath语法元素和对应XPath元素的对比：

    Python中如何使用XPath、JSONPath和bs4来解析文档？

    示例：

    jsonpath.json

    { "store": {
    "book": [
      { "category": "修真",
        "author": "六道",
        "title": "坏蛋是怎样练成的",
        "price": 8.95
      },
      { "category": "修真",
        "author": "天蚕土豆",
        "title": "斗破苍穹",
        "price": 12.99
      },
      { "category": "修真",
        "author": "唐家三少",
        "title": "斗罗大陆",
        "isbn": "0-553-21311-3",
        "price": 8.99
      },
      { "category": "修真",
        "author": "南派三叔",
        "title": "星辰变",
        "isbn": "0-395-19395-8",
        "price": 22.99
      }
    ],
    "bicycle": {
      "author": "老马",
      "color": "黑色",
      "price": 19.95
    }
  }
}
    import json
import jsonpath

obj = json.load(open('jsonpath.json', 'r', encoding='utf-8'))

# 书店所有书的作者
author_list = jsonpath.jsonpath(obj, '$.store.book[*].author')
print(author_list)  # ['六道', '天蚕土豆', '唐家三少', '南派三叔']

# 所有的作者
author_list = jsonpath.jsonpath(obj, '$..author')
print(author_list)  # ['六道', '天蚕土豆', '唐家三少', '南派三叔', '老马']

# store下面的所有的元素
tag_list = jsonpath.jsonpath(obj, '$.store.*')
print(
    tag_list)  # [[{'category': '修真', 'author': '六道', 'title': '坏蛋是怎样练成的', 'price': 8.95}, {'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}, {'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}], {'author': '老马', 'color': '黑色', 'price': 19.95}]

# store里面所有东西的price
price_list = jsonpath.jsonpath(obj, '$.store..price')
print(price_list)  # [8.95, 12.99, 8.99, 22.99, 19.95]

# 第三个书
book = jsonpath.jsonpath(obj, '$..book[2]')
print(book)  # [{'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}]

# 最后一本书
book = jsonpath.jsonpath(obj, '$..book[(@.length-1)]')
print(book)  # [{'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]
# 	前面的两本书
book_list = jsonpath.jsonpath(obj, '$..book[0,1]')
# book_list = jsonpath.jsonpath(obj,'$..book[:2]')
print(
    book_list)  # [{'category': '修真', 'author': '六道', 'title': '坏蛋是怎样练成的', 'price': 8.95}, {'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}]

# 条件过滤需要在（）的前面添加一个？
# 	 过滤出所有的包含isbn的书。
book_list = jsonpath.jsonpath(obj, '$..book[?(@.isbn)]')
print(
    book_list)  # [{'category': '修真', 'author': '唐家三少', 'title': '斗罗大陆', 'isbn': '0-553-21311-3', 'price': 8.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]
# 哪本书超过了10块钱
book_list = jsonpath.jsonpath(obj, '$..book[?(@.price>10)]')
print(
    book_list)  # [{'category': '修真', 'author': '天蚕土豆', 'title': '斗破苍穹', 'price': 12.99}, {'category': '修真', 'author': '南派三叔', 'title': '星辰变', 'isbn': '0-395-19395-8', 'price': 22.99}]

    3. BeautifulSoup

    3.1 基本简介

    1.安装

     pip install bs4 

    2.导入

     from bs4 import BeautifulSoup 

    3.创建对象 

    •  服务器响应的文件生成对象 soup = BeautifulSoup(response.read().decode(), 'lxml') 

    • 本地文件生成对象 soup = BeautifulSoup(open('1.html'), 'lxml') 

    注意：默认打开文件的编码格式gbk所以需要指定打开编码格式utf-8

    3.2 安装以及创建

    1.根据标签名查找节点 
	soup.a 【注】只能找到第一个a 
		soup.a.name 
		soup.a.attrs 
2.函数 
	(1).find(返回一个对象) 
		find('a')：只找到第一个a标签
		find('a', title='名字') 
		find('a', class_='名字') 
	(2).find_all(返回一个列表) 
		find_all('a') 查找到所有的a 
		find_all(['a', 'span']) 返回所有的a和span 
		find_all('a', limit=2) 只找前两个a 
	(3).select(根据选择器得到节点对象)【推荐】 
		1.element 
			eg:p 
		2..class 
			eg:.firstname 
		3.#id
			eg:#firstname 
		4.属性选择器 
			[attribute] 
				eg:li = soup.select('li[class]') 
			[attribute=value] 
				eg:li = soup.select('li[class="hengheng1"]') 
		5.层级选择器 
			element element 
				div p 
			element>element 
				div>p 
			element,element 
				div,p 
					eg:soup = soup.select('a,span')

    3.3 节点定位

    1.根据标签名查找节点 
	soup.a 【注】只能找到第一个a 
		soup.a.name 
		soup.a.attrs 
2.函数 
	(1).find(返回一个对象) 
		find('a')：只找到第一个a标签
		find('a', title='名字') 
		find('a', class_='名字') 
	(2).find_all(返回一个列表) 
		find_all('a') 查找到所有的a 
		find_all(['a', 'span']) 返回所有的a和span 
		find_all('a', limit=2) 只找前两个a 
	(3).select(根据选择器得到节点对象)【推荐】 
		1.element 
			eg:p 
		2..class 
			eg:.firstname 
		3.#id
			eg:#firstname 
		4.属性选择器 
			[attribute] 
				eg:li = soup.select('li[class]') 
			[attribute=value] 
				eg:li = soup.select('li[class="hengheng1"]') 
		5.层级选择器 
			element element 
				div p 
			element>element 
				div>p 
			element,element 
				div,p 
					eg:soup = soup.select('a,span')

    3.5 节点信息 

    (1).获取节点内容：适用于标签中嵌套标签的结构 
	obj.string 
	obj.get_text()【推荐】 
(2).节点的属性 
	tag.name 获取标签名 
		eg:tag = find('li) 
			print(tag.name) 
	tag.attrs将属性值作为一个字典返回 
(3).获取节点属性 
	obj.attrs.get('title')【常用】 
	obj.get('title') 
	obj['title']
    (1).获取节点内容：适用于标签中嵌套标签的结构 
	obj.string 
	obj.get_text()【推荐】 
(2).节点的属性 
	tag.name 获取标签名 
		eg:tag = find('li) 
			print(tag.name) 
	tag.attrs将属性值作为一个字典返回 
(3).获取节点属性 
	obj.attrs.get('title')【常用】 
	obj.get('title') 
	obj['title']

    3.6 使用示例

    bs4.html

    


    
    Title



    
    
        
      
            张三
            李四
            
    • 王五
      • 
            google
            嘿嘿嘿
        
    
    
    


    百度

    
        
            哈哈哈
        
    
        呵呵呵

    from bs4 import BeautifulSoup
# 通过解析本地文件 来将bs4的基础语法进行讲解
# 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码
soup = BeautifulSoup(open('bs4.html', encoding='utf-8'), 'lxml')
# 根据标签名查找节点
# 找到的是第一个符合条件的数据
print(soup.a)  # google
# 获取标签的属性和属性值
print(soup.a.attrs)  # {'href': '', 'id': '', 'class': ['a1']}
# bs4的一些函数
# （1）find
# 返回的是第一个符合条件的数据
print(soup.find('a'))  # google
# 根据title的值来找到对应的标签对象
print(soup.find('a', title="a2"))  # 百度

# 根据class的值来找到对应的标签对象  注意的是class需要添加下划线
print(soup.find('a', class_="a1"))  # google

# （2）find_all  返回的是一个列表 并且返回了所有的a标签
print(soup.find_all('a'))  # [google, 百度]

# 如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据
print(soup.find_all(['a','span']))  # [google, 嘿嘿嘿, 百]

# limit的作用是查找前几个数据
print(soup.find_all('li', limit=2))  # [张三, 李四]

# （3）select（推荐）
# select方法返回的是一个列表  并且会返回多个数据
print(soup.select('a'))  # [google, 百度]

# 可以通过.代表class  我们把这种操作叫做类选择器
print(soup.select('.a1'))  # [google]

print(soup.select('#l1'))  # [张三]

# 属性选择器---通过属性来寻找对应的标签
# 查找到li标签中有id的标签
print(soup.select('li[id]'))  # [张三, 李四]

# 查找到li标签中id为l2的标签
print(soup.select('li[id="l2"]'))  # [李四]

# 层级选择器
#  后代选择器
# 找到的是div下面的li
print(soup.select('div li'))  # [张三, 李四, 
  • 王五
    • ]

# 子代选择器
#  某标签的第一级子标签
# 注意：很多的计算机编程语言中 如果不加空格不会输出内容  但是在bs4中 不会报错 会显示内容
print(soup.select('div > ul > li'))  # [张三, 李四, 
  • 王五
    • ]

# 找到a标签和li标签的所有的对象
print(soup.select(
    'a,li'))  # [张三, 李四, 
  • 王五
    • , google, 百度]

# 节点信息
#    获取节点内容
obj = soup.select('#d1')[0]
# 如果标签对象中 只有内容 那么string和get_text()都可以使用
# 如果标签对象中 除了内容还有标签 那么string就获取不到数据 而get_text()是可以获取数据
# 我们一般情况下  推荐使用get_text()
print(obj.string)  # None
print(obj.get_text())  # 哈哈哈

# 节点的属性
obj = soup.select('#p1')[0]
# name是标签的名字
print(obj.name)  # p
# 将属性值左右一个字典返回
print(obj.attrs)  # {'id': 'p1', 'class': ['p1']}

# 获取节点的属性
obj = soup.select('#p1')[0]
#
print(obj.attrs.get('class'))  # ['p1']
print(obj.get('class'))  # ['p1']
print(obj['class'])  # ['p1']

    3.7 解析星巴克产品名称

    import urllib.request
url = 'https://www.starbucks.com.cn/menu/'
response = urllib.request.urlopen(url)
content = response.read().decode('utf-8')
from bs4 import BeautifulSoup
soup = BeautifulSoup(content,'lxml')
# //ul[@class="grid padded-3 product"]//strong/text()
# 一般先用xpath方式通过google插件写好解析的表达式
name_list = soup.select('ul[class="grid padded-3 product"] strong')
for name in name_list:
    print(name.get_text())

    Python中如何使用XPath、JSONPath和bs4来解析文档？

    本站声明：本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系bd@zhengruan.com
    作者最新文章
    动漫共和国在线观看地址及入口 2026-11-04 12:06
    立刻MV如何查看立刻MV官方操作指引文档 2026-11-02 14:05
    抖音创作平台官网登录入口 2026-11-02 10:38
    Xshell连接SSH失败怎么办？5步排查网络、代理与认证问题 2026-10-30 14:30
    樱花动漫官方正版官网入口在哪_樱花动漫网址2027最新分享 2026-10-28 19:21
    编程开发 Python xpath
    上一篇： 怎么使用python的gradio库
    下一篇： Python中如何使用json标准库？
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例，涵盖保持顺序与不保持顺序的场景，适合初学者和进阶开发者参考。

    2026-10-23 9 SkyView
    Python 字典
    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例，涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    2026-10-17 11 一半温柔归人
    Python 接口开发 FastAPI
    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档（docx格式），涵盖基础文本提取代码示例、结构化数据处理逻辑，以及处理复杂排版时的技术局限与替代方案。

    2026-10-17 25 MorningWave
    Python Word文档 Codex
    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南，包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    2026-10-16 16 HiddenField
    Python C语言 性能优化
    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异，从编译机制、变量内存布局、动态类型推断到GIL锁，系统阐明底层核心原理。

    2026-10-16 23 秋意浓清风入梦
    Python 内存管理 解释器 C语言 字节码
    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异，提供清晰有据的选择标准与切实的入门学习路径。

    2026-10-16 24 小北
    Python C语言
    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节，涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案，提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    2026-10-16 17 OpenLife
    Python Java 文件上传 Selenium 自动化测试
    大数据开发语言选型：Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型：Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景，系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异，给出清晰的架构选型依据与落地方案。

    2026-10-14 30 Henry
    Python Java
    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解，系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化（MemorySaver）等核心机制，提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    2026-10-13 22 花有期阿泽
    Python
    Windows 安装 Python：从官方入口到虚拟环境的可复现实践
    Windows 安装 Python：从官方入口到虚拟环境的可复现实践

    面向后端开发者，基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界，避免常见配置误区。

    2026-10-08 15 NorthPath
    Windows Python
    查看更多
    热门文章 更多
    Photoshop蒙版换证件照背景颜色怎么改？实用操作步骤详解 AutoCAD绘制机械零件三维实体详细教程 AE教程书籍挑选指南：零基础、动效与合成方向实战标准 Photoshop图层合并快捷键是什么？合并 盖印及分开图层方法 Photoshop日系调色教程：小清新风格参数与思路
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区，精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件，帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区，汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件，提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法，同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件，支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台，提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具，适合短剧、漫剧、广告及社交媒体内容制作。

    PDF工具

    更多
    PDF合并 PDF合并 PDF转换至PDF/A PDF转PDF/A PDF转PPT PDF转PPT HTML转PDF HTML转PDF PDF删除页面 PDF删除页面 Excel转PDF EXCEL转PDF PDF转XML PDF转XML 排列PDF文件 排列PDF页面 图片转PDF 图片转PDF PDF转Excel PDF转EXCEL 编辑PDF 编辑PDF Word转PDF word转PDF