Python网页解析:HTML与XPath实用教程
一分耕耘,一分收获!既然打开了这篇文章《Python网页解析技巧:HTML与XPath详解》,就坚持看下去吧!文中内容包含等等知识点...希望你能在阅读本文后,能真真实实学到知识或者帮你解决心中的疑惑,也欢迎大佬或者新人朋友们多留言评论,多给建议!谢谢!
Python网页解析核心是用XPath准确提取HTML目标数据,需理解DOM结构;推荐lxml库配合requests,注意动态渲染、反爬及class变动等常见问题。

Python做网页解析,核心是准确提取HTML里的目标数据。用好XPath,比单纯靠正则或简单字符串匹配更稳定、更灵活——前提是理解HTML结构和XPath定位逻辑。
HTML结构决定XPath怎么写
XPath不是凭空写的,它严格依赖网页的DOM树结构。比如一个商品标题常在新品上市
里,那对应XPath就是//h2[@class="title"];如果它嵌在
建议动手前先用浏览器开发者工具(F12)右键元素 → “Copy XPath”,观察生成路径,再手动简化(比如把冗长的绝对路径/html/body/div[3]/section/div/h2换成更健壮的相对路径//section//h2)。
常用XPath语法速查与避坑
- //tag:匹配任意层级的tag元素(如//a找所有链接)
- @attr="value":按属性筛选(如//img[@alt]找有alt属性的图片,//div[@id="content"]精准定位)
- text():取标签内纯文本(如//span/text(),注意它不包含子标签内容)
- contains(@class, "btn"):class含“btn”就匹配(避免因class多值如class="btn btn-primary"导致完全匹配失败)
- position()=1 或 [1]:取第一个匹配项(XPath索引从1开始,不是0)
常见错误:用/div[1]想取第一个div,结果没生效——因为这是指父节点下的第一个子元素是否为div,而非页面中第一个div。应改用(//div)[1]。
用lxml + XPath实战解析一页
安装:pip install lxml(比内置的html.parser更快更标准,对XPath支持完整)
基础流程:
- 用requests获取HTML源码(注意加headers模拟浏览器,防反爬)
- 用lxml.html.fromstring()解析成可查询对象
- 调用.xpath()方法传入XPath字符串,返回列表(即使只匹配一个,也是[Element])
- 对结果用.text_content()或.get("href")等提取内容
示例:抓取豆瓣电影Top250第一页的片名和评分
from lxml import html
import requests
resp = requests.get("https://movie.douban.com/top250", headers={"User-Agent": "Mozilla/5.0..."})
tree = html.fromstring(resp.content)
titles = tree.xpath('//div[@class="hd"]/a/span[1]/text()')
ratings = tree.xpath('//div[@class="bd"]/div[@class="star"]/span[2]/text()')
for t, r in zip(titles, ratings):
print(f"{t.strip()} —— {r.strip()}")
当XPath失效时的应对思路
页面动态渲染(如Vue/React)、JS懒加载、反爬策略都可能导致直接请求HTML拿不到目标数据。这时别硬调XPath:
- 先确认源码里是否真有该内容(Ctrl+U看原始HTML),没有就说明是JS生成的,需换方案(如Selenium、Playwright)
- 检查是否被重定向或需要登录cookie,用session保持状态
- 部分网站会随机改class名,可改用更稳定的定位方式:比如找附近有固定文字的标签,用following-sibling::或ancestor::向上找容器
- XPath太复杂难维护?考虑用CSS选择器(lxml也支持.cssselect()),语义更直观,例如div.item h2.title
不复杂但容易忽略。
今天关于《Python网页解析:HTML与XPath实用教程》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
更换路由器后WiFi无法上网怎么办
- 上一篇
- 更换路由器后WiFi无法上网怎么办
- 下一篇
- Order属性与Flex布局怎么用
-
- 文章 · python教程 | 5小时前 | xml · python · Python xml xml.etree.ElementTree canonicalize C14N
- Python xml.etree.ElementTree.canonicalize 怎样生成稳定的 XML 文本
- 151浏览 收藏
-
- 文章 · python教程 | 5小时前 | python · Python 弱引用 weakref getweakrefcount
- Python weakref.getweakrefcount 怎样查看对象关联的弱引用数量
- 248浏览 收藏
-
- 文章 · python教程 | 5小时前 | Python教程 · Python 检查点 随机状态 Random.getstate Random.setstate 模拟复现
- Python Random.getstate 怎样在模拟中途保存并恢复随机序列
- 149浏览 收藏
-
- 文章 · python教程 | 6小时前 | 并发控制 · Python教程 · asyncio · Python 协程同步 并发任务 asyncio.Barrier 阶段闸门 BrokenBarrierError
- Python asyncio.Barrier 怎样让多个协程在阶段边界同时放行
- 377浏览 收藏
-
- 文章 · python教程 | 6小时前 | python · Python SQLite sqlite3 SQL脚本 Connection iterdump
- Python sqlite3.Connection.iterdump 怎样生成可恢复的 SQL 脚本
- 342浏览 收藏
-
- 文章 · python教程 | 6小时前 | python · SQLite · Python SQLite sqlite3 Connection total_changes
- Python sqlite3.Connection.total_changes 怎样统计连接累计修改行数
- 422浏览 收藏
-
- 文章 · python教程 | 6小时前 | python · SQLite · Python order by sqlite3 COLLATE Connection create_collation
- Python sqlite3 自定义排序规则如何参与 ORDER BY
- 215浏览 收藏
-
- 文章 · python教程 | 6小时前 | JSON · python · Python JSON JSONEncoder iterencode JSON文本
- Python json.JSONEncoder.iterencode 怎样分段生成 JSON 文本
- 211浏览 收藏
-
- 文章 · python教程 | 6小时前 | python · pathlib · Python pathlib PurePath with_segments 路径派生
- Python pathlib.PurePath.with_segments 怎样让派生路径保留自定义状态
- 255浏览 收藏
-
- 文章 · python教程 | 6小时前 | python · Python Calendar itermonthdays4 月历
- Python Calendar.itermonthdays4 怎样保留月历补齐日期的年月日
- 369浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1130次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1114次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1291次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1230次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1082次使用
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

