XPath与正则都是用于数据的提取，二者的区别是：

• 正则：功能相对强大，写起来相对复杂；
• XPath：语法简单，可以满足绝大部分的需求，但不能爬取注释代码（下一篇会讲到）；

所以，如果你可以根据自己的需要进行选择。

一、首先，我们需要为Google浏览器配置XPath插件：

请自行学习，效果如下：

二、XPath的语法：

注意：

XPath的索引从1开始。

三、XPath的案例：

• 一级分类：
  
  //h3[@class="classify_c_h3"]/a/text()
  
  

• 二级分类：
  
  //div[@class="classify_list"]/span/a/text()
  
  

• 模糊查询：
  
  //div[contains(@class,"classify_list")]/span/a/text()
  
  

四、lxml模块的使用

import lxml.etree as le

with open('edu.html', 'r', encoding='utf-8') as f:

    html = f.read()

    # print(html)

    # 转换为XPath对象

    html_x = le.HTML(html)

    # print(html_x)

    # 匹配一二级分类的父标签

    div_x_s = html_x.xpath('//div[@class="classify_cList"]')  # 直接从HTML中取则不用加.

    data_s = []

    for div_x in div_x_s:

        # 一级分类

        category1 = div_x.xpath('./h3/a/text()')[0]  # 记得加.

        # 二级分类

        category2_s = div_x.xpath('./div/span/a/text()')  # 表示从当前节点进行筛选

        data_s.append(

            dict(

                category1=category1,

                category2_s=category2_s

            )

        )

    print(data_s)

    for data in data_s:

        print(data.get('category1'))

        for category2 in data.get('category2_s'):

            print('   ', category2)

---

为我心爱的女孩~~