Python之xpath
xpath是一种在XML文档中定位元素的语言，常用于xml、html文件解析，比css选择器使用方便
XML文件最小构成单元：
- element（元素节点）
- attribute（属性节点）
- text（文本）
- namespace（命名空间）
- processing-instruction（命令处理）
- comment（注释）
- root（根节点）
xpath表达式格式
xpath通过"路径表达式"来选择节点，在表现形式上与传统的文件系统类似
绝对路径（absolute path）必须用"/"起首，后面紧跟根节点，比如/step/step/...
相对路径（relative path）则是除了绝对路径以外的其他写法，比如 step/step，也就是不使用"/"起首
斜杠（/）作为路径内部的分割符
"/"：表示选择根节点
"//"：表示选择任意位置的某个节点
"@"： 表示选择某个属性
nodename（节点名称）：表示选择该节点的所有子节点
xpath功能函数
使用功能函数能够更好的进行模糊搜索
| 函数 | 用法 | 解释 |
| starts-with | xpath(‘//div[starts-with(@id,”ma”)]‘) | 选取id值以ma开头的div节点 |
| contains |
xpath(‘//div[contains(@id,”ma”)]‘) | 选取id值包含ma的div节点 |
| and |
xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘) | 选取id值包含ma和in的div节点 |
| text() | xpath(‘//div[contains(text(),”ma”)]‘) | 选取节点文本包含ma的div节点 |
xpath定位方法
<?xml version="1.0" encoding="ISO-8859-1"?> <bookstore> <book> <title lang="eng">Harry Potter</title> <price>29.99</price> </book> <book> <title lang="eng">Learning XML</title> <price>39.95</price> </book> </bookstore>
#bookstore ：选取 bookstore 元素的所有子节点。 #/bookstore ：选取根节点bookstore，这是绝对路径写法。 #bookstore/book ：选取所有属于 bookstore 的子元素的 book元素，这是相对路径写法。 #//book ：选择所有 book 子元素，而不管它们在文档中的位置。 #bookstore//book ：选择所有属于 bookstore 元素的后代的 book 元素，而不管它们位于 bookstore 之下的什么位置。 #//@lang ：选取所有名为 lang 的属性。 #/bookstore/book[1] ：表示选择bookstore的第一个book子元素。 #/bookstore/book[last()] ：表示选择bookstore的最后一个book子元素。 #/bookstore/book[last()-1] ：表示选择bookstore的倒数第二个book子元素。 #/bookstore/book[position()<3] ：表示选择bookstore的前两个book子元素。 #//title[@lang] ：表示选择所有具有lang属性的title节点。 #//title[@lang='eng'] ：表示选择所有lang属性的值等于"eng"的title节点。 #/bookstore/book[price] ：表示选择bookstore的book子元素，且被选中的book元素必须带有price子元素。 #/bookstore/book[price>35.00] ：表示选择bookstore的book子元素，且被选中的book元素的price子元素值必须大于35。 #/bookstore/book[price>35.00]/title ：表示在例14结果集中，选择title子元素。 #/bookstore/book/price[.>35.00] ：表示选择值大于35的"/bookstore/book"的price子元素。 #//book/title | //book/price ：表示同时选择book元素的title子元素和price子元素。
例2：
# 我们爬取网页的目的，无非是先定位到DOM树的节点，然后取其文本或属性值 myPage = '''<html> <title>TITLE</title> <body> <h1>我的博客</h1> <div>我的文章</div> <div id="photos"> <img src="pic1.jpeg"/><span id="pic1">PIC1 is beautiful!</span> <img src="pic2.jpeg"/><span id="pic2">PIC2 is beautiful!</span> <p><a href="http://www.example.com/more_pic.html">更多美图</a></p> <a href="http://www.baidu.com">去往百度</a> <a href="http://www.163.com">去往网易</a> <a href="http://www.sohu.com">去往搜狐</a> </div> <p class="myclassname">Hello,\nworld!<br/>-- by Adam</p> <div class="foot">放在尾部的其他一些说明</div> </body> </html>''' html = etree.fromstring(myPage) # 一、定位 divs1 = html.xpath('//div') divs2 = html.xpath('//div[@id]') divs3 = html.xpath('//div[@class="foot"]') divs4 = html.xpath('//div[@*]') divs5 = html.xpath('//div[1]') divs6 = html.xpath('//div[last()-1]') divs7 = html.xpath('//div[position()<3]') divs8 = html.xpath('//div|//h1') divs9 = html.xpath('//div[not(@*)]') # 二、取文本 text() 区别 html.xpath('string()') text1 = html.xpath('//div/text()') text2 = html.xpath('//div[@id]/text()') text3 = html.xpath('//div[@class="foot"]/text()') text4 = html.xpath('//div[@*]/text()') text5 = html.xpath('//div[1]/text()') text6 = html.xpath('//div[last()-1]/text()') text7 = html.xpath('//div[position()<3]/text()') text8 = html.xpath('//div/text()|//h1/text()') # 三、取属性 @ value1 = html.xpath('//a/@href') value2 = html.xpath('//img/@src') value3 = html.xpath('//div[2]/span/@id') # 四、定位（进阶） # 1.文档(DOM)元素(Element)的find，findall方法 divs = html.xpath('//div[position()<3]') for div in divs: ass = div.findall('a') # 这里只能找到:div->a, 找不到:div->p->a for a in ass: if a is not None: #print(dir(a)) print(a.text, a.attrib.get('href')) #文档(DOM)元素(Element)的属性：text, attrib # 2.与1等价 a_href = html.xpath('//div[position()<3]/a/@href') print(a_href) # 3.注意与1、2的区别 a_href = html.xpath('//div[position()<3]//a/@href') print(a_href)
