pythonbinding

❶ 普通人学python有什么用

用途：

一、Web开发

Python的诞生历史比Web还要早，由于Python是一种解释型的脚本语言，开发效率高，所以非常适合用来做Web开发。

Python有上百种Web开发框架，有很多成熟的模板技术，选择Python开发Web应用，不但开发效率高，而且运行速度快。

二、网络爬虫

网络爬虫是Python比较常用的一个场景，国际上google在早期大量地使用Python语言作为网络爬虫的基础，带动了整个Python语言的应用发展。

如：从各大网站爬取商品折扣信息，比较获取最优选择；对社交网络上发言进行收集分类，生成情绪地图，分析语言习惯；爬取网易云音乐某一类歌曲的所有评论，生成词云；应用实在太多，几乎每个人学习爬虫之后都能够通过爬虫去做一些好玩有趣有用的事。

三、人工智能

人工智能的核心算法大部分还是依赖于C/C++的，因为是计算密集型，需要非常精细的优化，还需要GPU、专用硬件之类的接口，这些都只有C/C++能做到。

而Python是这些库的API binding，使用Python是因为CPython的胶水语言特性，要开发一个其他语言到C/C++的跨语言接口，Python是最容易得，比其他语言的门槛要低不少，尤其是使用Cython的时候。

四、数据分析

数据分析处理方面，Python有很完备的生态环境。“大数据”分析中涉及到的分布式计算、数据可视化、数据库操作等，Python中都有成熟的模块可以选择完成其功能。对于Hadoop-MapRece和Spark，都可以直接使用Python完成计算逻辑，这无论对于数据科学家还是对于数据工程师而言都是十分便利的。

五、自动化运维

Python对于服务器运维而言也有十分重要的用途。由于目前几乎所有linux发行版中都自带了Python解释器，使用Python脚本进行批量化的文件部署和运行调整都成了Linux服务器上很不错的选择。

(1)pythonbinding扩展阅读

Python的优势：

1、Python易于学习

相较于其它编程语言而言，Python更容易一些。Python 的语言没有多少仪式化的东西，所以就算不是一个 Python 专家，也能读懂它的代码。通过实例来学习和教授 Python要比采取同样的方式去接触比方说 Ruby 或者 Perl 更加容易，因为 Python 的语法里面条条框框以及特殊的处理场景要少得多。 它所专注的并非语言表现的丰富程度，而是你想要用你的代码完成什么。

2、它能用少量的代码构建出很多功能

Python 能带给所有开发者一种快速的学习体验。通过实践，可以在最多两天之内轻松实现一个具备基础功能的游戏。另外一些让 Python 成为一门引人注目的编程语言的因素就是它的可读性和高效性。

3、Python 多才多艺

Python应用场景广泛，可被应用于如今你所能想得到的相当多的软件开发和操作场景，目前已广泛应用于人工智能、云计算开发、大数据开发、数据分析、科学运算、网站开发、爬虫、自动化运维、自动化测试、游戏开发等领域，因此，只需要你将 Python 了解得更加深入一点点，就能让你具备可以适应范围更宽泛的工作角色的技能。

❷ python xpath解析返回对象怎么处理

在进行网页抓取的时候，分析定位html节点是获取抓取信息的关键，目前我用的是lxml模块(用来分析XML文档结构的，当然也能分析html结构)， 利用其lxml.html的xpath对html进行分析，获取抓取信息。

首先，我们需要安装一个支持xpath的python库。目前在libxml2的网站上被推荐的python binding是lxml，也有beautifulsoup，不嫌麻烦的话还可以自己用正则表达式去构建，本文以lxml为例讲解。

假设有如下的HTML文档:

直接使用lxml处理：

1 import codecs2 from lxml import etree3 f=codecs.open("ceshi.html","r","utf-8")4 content=f.read()5 f.close()6 tree=etree.HTML(content)

etree提供了HTML这个解析函数，现在我们可以直接对HTML使用xpath了，是不是有点小激动，现在就尝试下吧。

在使用xpath之前我们先来看看作为对照的jQuery和RE。

在jQuery里要处理这种东西就很简单，特别是假如那个ul节点有id的话（比如是<ul id=’china’>）：

$("#china").each(function(){...});

具体到此处是：

$("#leftmenu").children("h3:contains('text')").next("ul").each(function(){...});

找到id为leftmenu的节点，在其下找到一个内容包含为”text”的h3节点，再取其接下来的一个ul节点。

在python里要是用RE来处理就略麻烦一些：

block_pattern=re.compile(u"<h3>档案</h3>(.*?)<h3>", re.I | re.S)
m=block_pattern.findall(content)
item_pattern=re.compile(u"<li>(.*?)</li>", re.I | re.S)
items=item_pattern.findall(m[0])for i in items: print i

那么用xpath要怎么做呢？其实跟jQuery是差不多的：

nodes=tree.xpath("/descendant::ul[@id='china']")

当然，现在没有id的话也就只能用类似于jQuery的方法了。完整的xpath应该是这样写的（注意，原文件中的TAG有大小写的情况，但是在XPATH里只能用小写）：

nodes=tree.xpath(u"/html/body/form/div[@id='leftmenu']/h3[text()='text']/following-sibling::ul[1]")

更简单的方法就是像jQuery那样直接根据id定位：

nodes=tree.xpath(u"//div[@id='leftmenu']/h3[text()='text']/following-sibling::ul[1]")

这两种方法返回的结果中，nodes[0]就是那个“text”的h3节点后面紧跟的第一个ul节点,这样就可以列出后面所有的ul节点内容了。

如果ul节点下面还有其他的节点，我们要找到更深节点的内容，如下的循环就是把这些节点的文本内容列出：

nodes=nodes[0].xpath("li/a")for n in nodes: print n.text

对比三种方法应该可以看出xpath和jQuery对于页面的解析都是基于XML的语义进行，而RE则纯粹是基于plain
text。RE对付简单的页面是没有问题，如果页面结构复杂度较高的时候（比如一堆的DIV来回嵌套之类），设计一个恰当的RE
pattern可能会远比写一个xpath要复杂。特别是目前主流的基于CSS的页面设计方式，其中大部分关键节点都会有id――对于使用jQuery的页面来说则更是如此，这时xpath相比RE就有了决定性的优势。

附录：基本XPATH语法介绍，详细请参考XPath的官方文档

XPATH基本上是用一种类似目录树的方法来描述在XML文档中的路径。比如用“/”来作为上下层级间的分隔。第一个“/”表示文档的根节点（注意，不是指文档最外层的tag节点，而是指文档本身）。比如对于一个HTML文件来说，最外层的节点应该是”/html”。

同样的，“..”和“.”分别被用来表示父节点和本节点。

XPATH返回的不一定就是唯一的节点，而是符合条件的所有节点。比如在HTML文档里使用“/html/head/scrpt”就会把head里的所有script节点都取出来。

为了缩小定位范围，往往还需要增加过滤条件。过滤的方法就是用“[”“]”把过滤条件加上。比如在HTML文档里使用“/html/body/div[@id='main']”，即可取出body里id为main的div节点。

其中@id表示属性id，类似的还可以使用如@name, @value, @href, @src, @class….

而
函数text()的意思则是取得节点包含的文本。比如：<div>hello<p>world</p><
/div>中，用”div[text()='hello']“即可取得这个div，而world则是p的text()。

函数position()的意思是取得节点的位置。比如“li[position()=2]”表示取得第二个li节点，它也可以被省略为“li[2]”。

不过要注意的是数字定位和过滤
条件的顺序。比如“ul/li[5][@name='hello']”表示取ul下第五项li，并且其name必须是hello，否则返回空。而如果用
“ul/li[@name='hello'][5]”的意思就不同，它表示寻找ul下第五个name为”hello“的li节点。

此外，“*”可以代替所有的节点名，比如用”/html/body/*/span”可以取出body下第二级的所有span，而不管它上一级是div还是p或是其它什么东东。

而
“descendant::”前缀可以指代任意多层的中间节点，它也可以被省略成一个“/”。比如在整个HTML文档中查找id为“leftmenu”的
div，可以用“/descendant::div[@id='leftmenu']”，也可以简单地使用“
//div[@id='leftmenu']”。

至于“following-sibling::”前缀就如其名所说，表示同一层的下一个节点。”following-sibling::*”就是任意下一个节点，而“following-sibling::ul”就是下一个ul节点。

❸ Python能用来做什么

Python 语言主要有以下用途：
1) 简单：Python 是一种代表简单主义思想的语言。阅读一个良好的 Python 程序就感觉像是在读英语一样，尽管这个英语的要求非常严格。Python 的这种伪代码本质是其优点之一，使用户能够专注于解决问题而不是去搞明白语言本身。
2) 易学：Python 有极其简单的语法，非常容易上手。
3) 免费、开源：Python 是 FLOSS（自由/开源软件）之一。简单来说，用户可以自由地发布这个软件的拷贝、阅读它的源代码、对它做改动、把它的一部分用于新的自由软件中。FLOSS 是基于一个团体分享知识的概念，这也是为什么 Python 如此优秀的原因之一：它由一群希望看到 Python 更加优秀的人创造，并被他们不断改进。
4) 高层语言：使用 Python 语言编写程序时，不用考虑如何管理程序使用的内存等底层细节。
5) 可移植性强：由于它的开源本质，Python 已经被移植在许多平台上。如果 Python 程序没有使用依赖于系统的特性，那么程序不用修改就可以在下述任意平台上面运行。这些平台包括 Linux、Windows、FreeBSD、Macintosh、Solaris、OS/2、Amiga、AROS、AS/400、BeOS、OS/390、z/OS、Palm OS、QNX、VMS、Psion、Acom RISC OS、VxWorks、PlayStation、Sharp Zaurus、Windows CE、Pocket PC 和 Symbian。
6) 解释型语言：编译型语言（如 C 或 C++）源程序从源文件（即 C 或 C++ 语言）转换到二进制代码（即 0 和 1）的过程通过编译器和不同的标记、选项完成，当运行程序的时候，连接器把程序从硬盘复制到内存中并且运行。而 Python 程序不需要编译成二进制代码，直接从源代码运行程序。
在计算机内部，Python 解释器把源代码转换成字节码的中间形式，然后再把它翻译成计算机使用的机器语言并运行。因此，用户不再需要操心如何编译程序、如何确保指定了正确的模块或包文件等细节，所有这一切使得使用 Python 更加简单。同时，由于只需要把 Python 程序拷贝到另外一台计算机上即可工作，这也使得 Python 程序更加易于移植。
7) 面向对象：Python 既支持面向过程的编程也支持面向对象的编程。在面向过程的语言中，程序是由过程或仅仅是可重用代码的函数构建起来的。在面向对象的语言中，程序是由数据和功能组合而成的对象构建起来的。与其他语言（如 C++ 和 Java）相比，Python 以一种非常强大又简单的方式实现面向对象编程。
8) 可扩展性强：如果希望把一段关键代码运行得更快或希望某些算法不公开，可以使用 C 或 C++ 语言编写这部分程序，然后在 Python 程序中调用它们。
9) 可嵌入性强：可以把 Python 嵌入 C/C++ 程序，从而向用户提供脚本功能。
10) 丰富的扩展库：Python 扩展库很庞大，可以帮助处理包括正则表达式、文档生成、单元测试、线程、数据库、网页浏览器、CGI、FTP、电子邮件、XML、XML-RPC、HTML、WAV 文件、密码系统、GUI（图形用户界面）、Tk 以及其他与系统有关的操作。只要安装了 Python，所有这些功能都是可用的，这被称作 Python 的“功能齐全”理念。除了扩展库以外，还有许多其他高质量的库，如 wxPython、Twisted 和 Python 图像库等。

❹ Python和人工智能有什么关系

提到人工智能就一定会提到Python，有的初学者甚至认为人工智能和Python是划等号的，其实Python是一种计算机程序设计语言。是一种动态的、面向对象的脚本语言，开始时是用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。而人工智能通俗讲就是人为的通过嵌入式技术把程序写入机器中使其实现智能化。显然人工智能和Python是两个不同的概念。人工智能和Python的渊源在于。就像我们统计数据或选择用excel制作表格时，因为在需要用到加减乘除或者、函数等时，只需要套用公司就可以。因为SUM、AVERAGE等这样的函数运行的背后，是C++/C#等语言已经编写好了代码，所以Excel只是工具和展现形式并不是它做计算。同理在学习人工智能时Python只是用来操作深度学习框架的工具，实际负责运算的主要模块并不依靠Python，真正起作用的是也是一大堆复杂的C++
/ CUDA程序。
深度学习人工智能时，自己计算太复杂，还要写C++代码操作，这时程序员就想要不搞一套类似复杂的Excel配置表，直接搭建神经网络、填参数、导入数据，一点按钮就直接开始训练模型、得出结果。这个方法简单实用可是神经网络搭建起来太复杂，需要填写的参数太多，各种五花八门的选项也很难做成直观的图形工具。只能用一个类似Python的相对好用的语言，通过简化的程序代码来搭建神经网络、填写参数、导入数据，并调用执行函数进行训练。通过这种语言来描述模型、传递参数、转换好输入数据，然后扔到复杂的深度学习框架里面去计算。那么为什么会选择Python?科学家们很早就喜欢用Python实验算法，也善于使用numpy做科学计算，用pyplot画数据图。恰好Google内部用Python也非常多，所以采用Python也是必然的。除Python外，实际上TensorFlow框架还支持JavaScript、c++、Java、GO、等语言。按说人工智能算法用这些也可以。但是官方说了，除Python之外的语言不一定承诺API稳定性。所以人工智能和Python就密不可分了。单说人工智能的核心算法，那是是完全依赖于C/C++的，因为是计算密集型，需要非常精细的优化，还需要GPU、专用硬件之类的接口，这些都只有C/C++能做到。所以某种意义上其实C/C++才是人工智能领域最重要的语言。Python是这些库的API
binding，要开发一个其他语言到C/C++的跨语言接口，Python是最容易的，比其他语言的ffi门槛要低不少，CPython的C
API是双向融合的，可以直接对外暴露封装过的Python对象，还可以允许用户通过继承这些自定义对象来引入新特性，甚至可以从C代码当中再调用Python的函数。Python一直都是科学计算和数据分析的重要工具，Python是这些库的API
binding，要开发一个其他语言到C/C++的跨语言接口，Python是最容易的，比其他语言的ffi门槛要低不少，CPython的C
API是双向融合的，可以直接对外暴露封装过的Python对象，还可以允许用户通过继承这些自定义对象来引入新特性，甚至可以从C代码当中再调用Python的函数。都说时势造英雄，也可以说是人工智能和Python互相之间成就者对方，人工智能算法促进Python的发展，而Python也让算法更加简单。

❺ 如何通过python获取应用程序里列表的值

界面自动化是相当困难的，成本也高
测试还不如在代码里多加点辅助代码，测试的时候不依赖界面就方便了
另wpf的mvvm模式之所以受欢迎，原因之一就是因为对测试的友好，大多数情况下要相信binding的可靠性（因为这是由微软保证）测试只需要验证数据即可

❻ python必学英语单词

computational adj. 计算的，电脑的

mode n. 模式

primitive n. 原始、基元，是后续操作的基础

gigabyte n. 千兆字节，是数据单位

storage n. 储存体, 仓库

retrieve n. 检索,恢复

algorithm n. 算法

accomplish vt. 完成

scheme n. 方案, 计划, v. 设计, 体系, 结构,

compute vt. 计算

code n. 码,密码 vt. 把…编码

halt v 停止

computation n. 计算，计算方法，计算结果

knowledge n. 知识,了解

declarative adj. 说明的, 陈述的 declarative knowledge 陈述性知识

imperative adj. 命令式的,互动的 imperative knowledge 互动性知识

recipe n. 挂起，暂停

evaluate vt. 评估,评价

square root 平方根 the square root of a number x x的平方根

dece vt. 演绎,推断

capture vt. 采集,描绘,制作

fix vt. &vi.修理,安装

calculator n. 计算器

decode v. 解码, 译解 [计算机] 译码

enigma n. 谜

manipulate v. [计算机] 操作

instruction n. 指令,说明

set n.集合 predefined set 预设集合

arithmetic n. 算术，运算

store n. (在计算机里)存贮；记忆

test n.vt. 测试

execute vt. [计算机] 执行

source n. 来源 source code 源代码

sequence n. 序列, 一系列, 顺序

architecture n.体系结构

abstract n.简化，抽象

computable adj. 可计算的

mechanism n. 机制

syntax n. 语法 （规范代码的结构，成分和顺序上正确）

02

static adj. 静态的

ambiguous adj. 歧义的

unpredictable adj. 不可预知的

intend v. 打算 （打算使之成为。。。）

crash n 崩溃，停止运行

algorithmic adj.[计]算法的,规则系统的

process n.过程，进程，步骤

programming language n.程序设计语言

checker n. 检验器, 检查员

internal adj. 内部的

interpreter n. 解释器

compiler n. [计算机]编译器, 编译程序

invert v. 使反向;invert a matrix反转矩阵

abstraction n. 抽象, 参数化

converter n. 转换器 =convertor

script n. 脚本

definition n. 清晰度

command n. [计算机]指令；命令

shell n.[计算机] DOS命令 ，壳

instruct [计算机] 指示

object n. 对象

type n.类型

scalar 标量(的)

represent vt. 代表

integer [计算机] 整数

int 整型

float n. 浮点型

const abbr. 常数（=constant）

expression 表达式

denote vt. 表示，意味着

sum n. 总数(计) vi. 总计

difference n. 差

proct n. 乘积

division n. 除法

quotient n. 商

remainder n. 余数，余

power n.次方，幂

operator n. 运算符

precedence n. 优先

truncate vt. 舍位

indicate v.说明，指示

decimal n.十进制

arbitrary adj. 任意的

variable adj. 可变的 n. 变量

value n. 值

assignment n. 赋值

bind vt. 绑定

invoke [计算机] 调用

binding n.绑定关系

rebound n. 回跳，反弹

diagram n. 图解,关系图

transcript n. 抄本，脚本

compound n. 混合物,复合词

literal [计算机] 文字的,文本

quote n. 引用 quotes引号

character n. 字符

extract [计算机] 提取、取值、查看

index n.索引

boundary n. 分界线, 边界boundaries 边界

slice n. 薄的切片,一部份,锅铲 vt. 切成薄片,大幅降低

essentially adv. 基本上

❼ python的作用

万能编程语言“Python”的五大主要用途：
1、web开发
Python的诞生历史比ewb还要早，由于Python是一种解释型的脚本语言，开发效率高，所有非常适合用来做web开发。
Python有上百种web开发框架，有很多成熟的模板技术，选择Python开发web应用，不但开发效率高，而且运行速度快。
常见的web开发框架：Django、flask、tornado等。
2、网络爬虫
网络爬虫是Python比较常用的一个场景，国际上，Google在早期大量地使用Python语言作为网络爬虫的基础，带动了整个Python语言的应用发展。以前国内很多人用采集器搜刮网上的内容，现在用Python收集网上信息比以前容易了许多。比如：从各大网站抓取商品折扣信息，比较获取最优选择;对社交网络上发言进行收集分类，生成情绪地图，分析语言习惯……爬虫应用很多，几乎每个人学习爬虫之后都能够通过爬虫去做一些好玩有趣且有用的事情。
3、人工智能
人工智能是现在非常火的一个方向，AI热潮让Python语言的未来充满了无限的潜力。
因为Python有很多库很方便做人工智能，比如Numpy、Scipy做数值计算的，Sklearn做机器学习的，pybrain做神经网络的，matplotlib做数据可视化的。在人工智能大范畴领域内的数据挖掘、机器学习、神经网络、深度学习等方面都是主流的编程语言，得到广泛的支持和应用。
4、数据分析
数据分析处理方面，Python有很完备的生态环境。大数据分析中涉及到的分布式计算、数据可视化、数据库操作等，Python中都有成熟的模块可以选择完成其功能。对于Hadoop-MapRece和Spark，都可以直接使用Python完成计算逻辑，这无论对于数据科学家还是对于数据工程师而言都是十分便利的。
5、自动化运维
Python对于服务器运维而言也有十分重要的用途。由于目前几乎所有Linux发行版本都自带了Python解释器，使用Python脚本进行批量化的文件部署和运行调整都成了Linux服务器上很不错的选择。Python中也包含了许多方便的工具，从调控ssh/sftp用的paramiko，到监控服务用的supervisor，再到bazel等构建工具，甚至conan等用于C++的包管理工具，Python提供了全方位的工具集合，而在这基础上，结合web，开发方便运维的工具会变得十分简单。

❽ 学python用来干什么

学python可从事的职业就很多。

python是一门语法优美的编程语言，不仅可以作为小工具使用提升我们日常工作效率，也可以单独作为一项高新就业技能！所以学完Python编程之后，只要真的掌握了相关技术，想要找到好的工作还是比较容易的。

学完Python编程之后可以做的工作：

• 软件开发，用python做软件是很多人正在从事的工作，不管是B/S软件，还是C/S软件，都能做。并且需求量还是挺大的；

• 数据挖掘，python可以制作出色的爬虫工具来进行数据挖掘，而在很多的网络公司中数据挖掘的岗位也不少；

• 游戏开发，python扩展性很好，拥有游戏开发的库，而且游戏开发绝对是暴力职业；

• 大数据分析，如今是大数据的时代，用python做大数据也是可以的，大数据分析工程师也是炙手可热的职位；

• 全栈工程师，如今程序员都在向着全栈的方向发展，而学习python更具备这方面的优势；

• 系统运维，python在很多linux中都支持，而且语法特点很向shell脚本，学完python做个系统运维也是很不错的。

互联网行业目前还是最热门的行业之一，学习IT技能之后足够优秀是有机会进入腾讯、阿里、网易等互联网大厂高薪就业的，发展前景非常好，普通人也可以学习。

想要系统学习，你可以考察对比一下开设有相关专业的热门学校，好的学校拥有根据当下企业需求自主研发课程的能力，能够在校期间取得大专或本科学历，中博软件学院、南京课工场、南京北大青鸟等开设相关专业的学校都是不错的，建议实地考察对比一下。

祝你学有所成，望采纳。

❾ 如何在python中使用xpath

在进行网页抓取的时候，分析定位html节点是获取抓取信息的关键，目前我用的是lxml模块(用来分析XML文档结构的，当然也能分析html结构)， 利用其lxml.html的xpath对html进行分析，获取抓取信息。
首先，我们需要安装一个支持xpath的python库。目前在libxml2的网站上被推荐的python binding是lxml，也有beautifulsoup，不嫌麻烦的话还可以自己用正则表达式去构建，本文以lxml为例讲解。
假设有如下的HTML文档:

1 <html>
2 <body>
3 <form>
4 <div id='leftmenu'>
5 <h3>text</h3>
6 <ul id=’china’><!-- first location -->
7 <li>...</li>
8 <li>...</li>
9 ......
10 </ul>
11 <ul id=’england’><!-- second location-->
12 <li>...</li>
13 <li>...</li>
14 ......
15 </ul>
16 </div>
17 </form>
18 </body>
19 </html>

直接使用lxml处理：
1 import codecs
2 from lxml import etree
3 f=codecs.open("ceshi.html","r","utf-8")
4 content=f.read()
5 f.close()
6 tree=etree.HTML(content)

etree提供了HTML这个解析函数，现在我们可以直接对HTML使用xpath了，是不是有点小激动，现在就尝试下吧。

在使用xpath之前我们先来看看作为对照的jQuery和RE。
在jQuery里要处理这种东西就很简单，特别是假如那个ul节点有id的话（比如是<ul id=’china’>）：
$("#china").each(function(){...});

具体到此处是：
$("#leftmenu").children("h3:contains('text')").next("ul").each(function(){...});

找到id为leftmenu的节点，在其下找到一个内容包含为”text”的h3节点，再取其接下来的一个ul节点。
在python里要是用RE来处理就略麻烦一些：
block_pattern=re.compile(u"<h3>档案</h3>(.*?)<h3>", re.I | re.S)
m=block_pattern.findall(content)
item_pattern=re.compile(u"<li>(.*?)</li>", re.I | re.S)
items=item_pattern.findall(m[0])
for i in items:
print i

那么用xpath要怎么做呢？其实跟jQuery是差不多的：
nodes=tree.xpath("/descendant::ul[@id='china']")

当然，现在没有id的话也就只能用类似于jQuery的方法了。完整的xpath应该是这样写的（注意，原文件中的TAG有大小写的情况，但是在XPATH里只能用小写）：
nodes=tree.xpath(u"/html/body/form/div[@id='leftmenu']/h3[text()='text']/following-sibling::ul[1]")

更简单的方法就是像jQuery那样直接根据id定位：
nodes=tree.xpath(u"//div[@id='leftmenu']/h3[text()='text']/following-sibling::ul[1]")

这两种方法返回的结果中，nodes[0]就是那个“text”的h3节点后面紧跟的第一个ul节点,这样就可以列出后面所有的ul节点内容了。
如果ul节点下面还有其他的节点，我们要找到更深节点的内容，如下的循环就是把这些节点的文本内容列出：
nodes=nodes[0].xpath("li/a")
for n in nodes:
print n.text

对比三种方法应该可以看出xpath和jQuery对于页面的解析都是基于XML的语义进行，而RE则纯粹是基于plain text。RE对付简单的页面是没有问题，如果页面结构复杂度较高的时候（比如一堆的DIV来回嵌套之类），设计一个恰当的RE pattern可能会远比写一个xpath要复杂。特别是目前主流的基于CSS的页面设计方式，其中大部分关键节点都会有id――对于使用jQuery的页面来说则更是如此，这时xpath相比RE就有了决定性的优势。

附录：基本XPATH语法介绍，详细请参考XPath的官方文档
XPATH基本上是用一种类似目录树的方法来描述在XML文档中的路径。比如用“/”来作为上下层级间的分隔。第一个“/”表示文档的根节点（注意，不是指文档最外层的tag节点，而是指文档本身）。比如对于一个HTML文件来说，最外层的节点应该是”/html”。
同样的，“..”和“.”分别被用来表示父节点和本节点。
XPATH返回的不一定就是唯一的节点，而是符合条件的所有节点。比如在HTML文档里使用“/html/head/scrpt”就会把head里的所有script节点都取出来。
为了缩小定位范围，往往还需要增加过滤条件。过滤的方法就是用“[”“]”把过滤条件加上。比如在HTML文档里使用“/html/body/div[@id='main']”，即可取出body里id为main的div节点。
其中@id表示属性id，类似的还可以使用如@name, @value, @href, @src, @class….
而 函数text()的意思则是取得节点包含的文本。比如：<div>hello<p>world</p>< /div>中，用”div[text()='hello']“即可取得这个div，而world则是p的text()。
函数position()的意思是取得节点的位置。比如“li[position()=2]”表示取得第二个li节点，它也可以被省略为“li[2]”。
不过要注意的是数字定位和过滤 条件的顺序。比如“ul/li[5][@name='hello']”表示取ul下第五项li，并且其name必须是hello，否则返回空。而如果用 “ul/li[@name='hello'][5]”的意思就不同，它表示寻找ul下第五个name为”hello“的li节点。
此外，“*”可以代替所有的节点名，比如用”/html/body/*/span”可以取出body下第二级的所有span，而不管它上一级是div还是p或是其它什么东东。
而 “descendant::”前缀可以指代任意多层的中间节点，它也可以被省略成一个“/”。比如在整个HTML文档中查找id为“leftmenu”的 div，可以用“/descendant::div[@id='leftmenu']”，也可以简单地使用“ //div[@id='leftmenu']”。
至于“following-sibling::”前缀就如其名所说，表示同一层的下一个节点。”following-sibling::*”就是任意下一个节点，而“following-sibling::ul”就是下一个ul节点。