XPath和BeautifulSoup4

什么是XPath？

• XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历

什么是XML?

• XML 指可扩展标记语言
• XML 是一种标记语言，很类似HTML
• XML 的设计宗旨是传输数据，而非显示数据
• XML 的标签需要我们自行定义
• XML 被设计为具有自我描述性
• XML 是W3C的推荐标准

XML和HTML的区别

XML 是可扩展标记语言，被设计为传输和存储数据，其焦点是数据的内容。
HTML 是超文本标记语言，显示数据以及如何更好显示数据。

XPath 表达式

• nodename 选取此节点的所有节点
• / 从根节点选取
• // 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置
• . 选取当前节点
• .. 选取当前节点的父节点
• @ 选取属性

什么是BeautifulSoup4？

和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。

BeautifulSoup4表达式

findall() 查找所有节点
find() 查找单个
支持css选择器

获取标签的属性 p['class'] => p.attrs['class']
获取标签的文本 p.get_text() => p.string

BeautifulSoup4和XPath的区别

Beautifulsoup4 要比Xpath解析数据要慢，因为beautifulsoup4载入的是整个html文档