XPath的使用
正则表达式比较烦琐，万一有地方写错了，可能导致匹配失败，所以使用正则表达式提取页面信息多多少少还是有些不方便。
对于网页的节点来说，它可以定义 id、class 或其他属性。而且节点之间还有层次关系，在网页中可以通过 XPath 或 CSS 选择器来定位一个或多个节点。那么，在页面解析时，利用 XPath 或 CSS 选择器来提取某个节点，然后再调用相应方法获取它的正文内容或者属性，就可以提取我们想要的信息。
这种解析库已经非常多，其中比较强大的库有 lxml、Beautiful Soup、pyquery 、parsel等。有了它们，我们就不用再为正则表达式发愁，而且解析效率也会大大提高。
Xpath的使用
Xpath概览
XPath全称 XML Path Language，即 XML 路径语言，它是一门在 XML 文档中查找信息的语言。它最初是用来搜寻 XML 文档的，但是它同样适用于 HTML 文档的搜索。
所以在做爬虫时，我们完全可以使用 XPath 来做相应的信息抽取。
Xpath常用规则
| 表达式 | 描述 |
|---|---|
nodename |
选取此节点的所有子节点 |
/ |
从当前节点选取直接子节点 |
// |
从当前节点选取子孙节点 |
. |
选取当前节点 |
.. |
选取当前节点的父节点 |
@ |
选取属性 |
//nodename[@attribute='value'] |
选取名称为nodename，且属性attribute的值为value的所有节点 |
//nodename[predicate] |
选取名称为nodename，且满足谓语predicate条件的所有节点 |
child::nodename |
选取当前节点的所有名为nodename的子元素 |
parent::nodename |
选取当前节点的名为nodename的父元素（尽管通常只使用..） |
descendant::nodename |
选取当前节点的所有名为nodename的后代元素（子、孙等） |
ancestor::nodename |
选取当前节点的所有名为nodename的先辈元素（父、祖父等） |
descendant-or-self::nodename |
选取当前节点的所有名为nodename的后代元素以及当前节点本身 |
ancestor-or-self::nodename |
选取当前节点的所有名为nodename的先辈元素以及当前节点本身 |
preceding-sibling::nodename |
选取当前节点之前的所有名为nodename的同级节点 |
following-sibling::nodename |
选取当前节点之后的所有名为nodename的同级节点 |
* |
匹配任何元素节点 |
@* |
匹配任何属性节点 |
node() |
匹配任何类型的节点 |
text() |
匹配任何文本节点 |
contains(string1, string2) |
如果string1包含string2，则返回true |
starts-with(string, start-string) |
如果string以start-string开始，则返回true |
ends-with(string, end-string) |
如果string以end-string结束，则返回true |
position() |
返回当前节点在其父节点的子节点中的位置 |
last() |
返回当前节点在其父节点的子节点中的最后一个位置 |
准备工作
使用pip3安装
pip install lxml
实例引入
from lxml import etree text = ''' <div> <ul> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-inactive"><a href="link3.html">third item</a></li> <li class="item-1"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a> </ul> </div> ''' html = etree.HTML(text) result = etree.tostring(html) print(result.decode('utf-8'))
导入lxml库的etree模块，声明一段HTML文本，然后调用HTML类进行初始化，这样就成功构造一个Xpath解析对象。（HTML文本中最后一个li节点没有闭合，etree模块可以自动修正HTML文本。）
之后使用tostring方法即可输出修正后的HTML代码，但是结果是bytes类型。于是利用decode方法将其转换成str类型。
经过处理的li节点标签得以补全，并且自动添加了body、html节点。
也可以不声明直接读取文本文件进行解析：
将网页内容存为test.html
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = etree.tostring(html) print(result.decode('utf-8'))
所有节点
一般会用 // 开头的 XPath 规则来选取所有符合要求的节点。以前面的 HTML 文本为例，如果要选取所有节点，可以这样实现：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//*') print(result)
使用*代表匹配所有节点，也就是获取整个HTML文本中的所有节点。其返回形式为一个列表，其中每个元素都是Element类型，类型后面跟着节点的名称，如html、body、div、ul、li、a等，所有的节点都包含在列表中。
匹配也可以指定节点名称，例如想获取所有li节点：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//li') print(result) print(result[0])
提取的结果也是一个列表，其中每个元素为Element类型。要是想获取第其中一个对象，可以直接用中括号加索引号获取。
[<Element li at 0x11043369dc0>, <Element li at 0x11043369a80>, <Element li at 0x11043369f80>, <Element li at 0x11043369f40>, <Element li at 0x11043369d80>]
<Element li at 0x11043369dc0>
子节点
通过 / 或 // 即可查找元素的子节点或子孙节点。假如现在想选择 li 节点的所有直接 a 子节点，可以这样实现：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//li/a') print(result)
通过追加 /a 即选择了所有 li 节点的所有直接 a 子节点。因为 //li 用于选中所有 li 节点，/a 用于选中 li 节点的所有直接子节点 a，二者组合在一起即获取所有 li 节点的所有直接 a 子节点。运行结果如下：
[<Element a at 0x12f80bedb00>, <Element a at 0x12f80bed7c0>, <Element a at 0x12f80bedcc0>, <Element a at 0x12f80bedc80>, <Element a at 0x12f80bedac0>]
上面的／用于选取节点的直接子节点，如果要获取节点的所有子孙节点，可以使用//。
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//li//a') print(result)
[<Element a at 0x2ab40d6dc80>, <Element a at 0x2ab40d6d940>, <Element a at 0x2ab40d6de40>, <Element a at 0x2ab40d6de00>, <Element a at 0x2ab40d6dc40>]
这里如果使用//ul/a，就无法获取结果。/直接用于获取直接子节点，而ul节点下没有直接的a子节点，只有li节点，所以不会匹配到结果。
要注意 / 和 // 的区别，其中 / 用于获取直接子节点，// 用于获取子孙节点。
父节点
通过连续的 / 或 // 可以查找子节点或子孙节点，知道了子节点可以用.. 来找父节点。
比如，现在首先选中 href 属性为 link4.html 的 a 节点，然后再获取其父节点，然后再获取其 class 属性，相关代码如下：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//a[@href="link4.html"]/../@class') print(result)
结果：
['item-1']
也可以他通过parent::获取父节点：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//q[@href="link4.html"]/parent::*/@class') print(result)
属性匹配
在选取节点时，还可以用 @符号进行属性过滤。比如如果要选取 class 为 item-0 的 li 节点，可以这样实现:
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//li[@class="item-0"]') print(result)
通过加入 [@class="item-0"]，限制节点的 class 属性为 item-0，而 HTML 文本中符合条件的 li 节点有两个，结果应该返回两个匹配到的元素。结果如下：
<Element li at 0x10a399288>, <Element li at 0x10a3992c8>
匹配结果正是两个，至于是不是那正确的两个，后面再验证。
用 XPath 中的 text 方法获取节点中的文本，尝试获取前面 li 节点中的文本，相关代码如下：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//li[@class="item-0"]/text()') print(result)
运行结果如下：
['\r\n ']
并没有获取到任何文本，只获取到了一个换行符，这是为什么呢？因为 XPath 中 text 方法前面是 /，而此处 / 的含义是选取直接子节点，很明显 li 的直接子节点都是 a 节点，文本都是在 a 节点内部的，所以这里匹配到的结果就是被修正的 li 节点内部的换行符，因为自动修正的 li 节点的尾标签换行了。
即选中的是这两个节点：
<li class="item-0"><a href="link1.html">first item</a></li> <li class="item-0"><a href="link5.html">fifth item</a> </li>
其中一个节点因为自动修正，li 节点的尾标签添加的时候换行了，所以提取文本得到的唯一结果就是 li 节点的尾标签和 a 节点的尾标签之间的换行符。
因此，如果想获取 li 节点内部的文本，就有两种方式，一种是先选取 a 节点再获取文本，另一种就是使用 //。接下来，我们来看下二者的区别。
首先，选取到 a 节点再获取文本，代码如下：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//li[@class="item-0"]/a/text()') print(result)
运行结果如下：
['first item', 'fifth item']
可以看到返回值是两个，内容都是属性为 item-0 的 li 节点的文本，这也印证了前面属性匹配的结果是正确的。
这里是逐层选取的，先选取了 li 节点，又利用 / 选取了其直接子节点 a，然后再选取其文本，得到的结果恰好是符合我们预期的两个结果。
再来看下用另一种方式（即使用 //）选取的结果，代码如下：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//li[@class="item-0"]//text()') print(result)
运行结果如下：
['first item', 'fifth item', '\r\n ']
这里的返回结果是 3 个。可想而知，这里是选取所有子孙节点的文本，其中前两个就是 li 的子节点 a 节点内部的文本，另外一个就是最后一个 li 节点内部的文本，即换行符。
所以说，如果要想获取子孙节点内部的所有文本，可以直接用 // 加 text 方法的方式，这样可以保证获取到最全面的文本信息，但是可能会夹杂一些换行符等特殊字符。如果想获取某些特定子孙节点下的所有文本，可以先选取到特定的子孙节点，然后再调用 text 方法方法获取其内部文本，这样可以保证获取的结果是整洁的。
text 方法可以获取节点内部文本，节点属性还是用 @符号就可以。例如，我们想获取所有 li 节点下所有 a 节点的 href 属性，代码如下：
from lxml import etree html = etree.parse('./test.html', etree.HTMLParser()) result = html.xpath('//li/a/@href') print(result)
通过 @href 即可获取节点的 href 属性。注意，此处和属性匹配的方法不同，属性匹配是中括号加属性名和值来限定某个属性，如 [@href="link1.html"]，而此处的 @href 指的是获取节点的某个属性，二者需要做好区分。
运行结果如下：
['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']
成功获取了所有 li 节点下 a 节点的 href 属性，它们以列表形式返回。
有时某些节点的某个属性可能有多个值，例如：
from lxml import etree text = ''' <li class="li li-first"><a href="link.html">first item</a></li> ''' html = etree.HTML(text) result = html.xpath('//li[@class="li"]/a/text()') print(result)
这里 HTML 文本中 li 节点的 class 属性有两个值 li 和 li-first，此时如果还想用之前的属性匹配获取，就无法匹配了，此时的运行结果为[ ]。
这时需要用 contains 方法，代码可以改写如下：
from lxml import etree text = ''' <li class="li li-first"><a href="link.html">first item</a></li> ''' html = etree.HTML(text) result = html.xpath('//li[contains(@class, "li")]/a/text()') print(result)
通过 contains 方法，第一个参数传入属性名称，第二个参数传入属性值，只要此属性包含所传入的属性值，就可以完成匹配了。此时运行结果如下：
['first item']
contain方法在某个节点的某个属性有多个值时经常用到，如某个节点的 class 属性通常有多个。
另外还可能遇到一种情况，就是根据多个属性确定一个节点，这时就需要同时匹配多个属性。可以使用运算符 and 来连接，示例如下：
from lxml import etree text = ''' <li class="li li-first" name="item"><a href="link.html">first item</a></li> ''' html = etree.HTML(text) result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()') print(result)
li 节点增加了一个属性 name。要确定这个节点，需要同时根据 class 和 name 属性来选择，一个条件是 class 属性里面包含 li 字符串，另一个条件是 name 属性为 item 字符串，二者需同时满足需要用 and 操作符相连，相连之后置于中括号内进行条件筛选。运行结果如下：
['first item']
这里的 and 其实是 XPath 中的运算符。另外还有很多运算符，如 or、mod 等
| 运算符 | 描 述 | 实 例 | 返 回 值 |
|---|---|---|---|
| or | 或 | age=19 or age=20 | 如果 age 是 19，则返回 true。如果 age 是 21，则返回 false |
| and | 与 | age>19 and age<21 | 如果 age 是 20，则返回 true。如果 age 是 18，则返回 false |
| mod | 计算除法的余数 | 5 mod 2 | 1 |
| 计算两个节点集 | //book | ||
| + | 加法 | 6 + 4 | 10 |
| - | 减法 | 6 - 4 | 2 |
| * | 乘法 | 6 * 4 | 24 |
| div | 除法 | 8 div 4 | 2 |
| = | 等于 | age=19 | 如果 age 是 19，则返回 true。如果 age 是 20，则返回 false |
| != | 不等于 | age!=19 | 如果 age 是 18，则返回 true。如果 age 是 19，则返回 false |
| < | 小于 | age<19 | 如果 age 是 18，则返回 true。如果 age 是 19，则返回 false |
| <= | 小于或等于 | age<=19 | 如果 age 是 19，则返回 true。如果 age 是 20，则返回 false |
| > | 大于 | age>19 | 如果 age 是 20，则返回 true。如果 age 是 19，则返回 false |
| >= | 大于或等于 | age>=19 | 如果 age 是 19，则返回 true。如果 age 是 18，则返回 false |
参考来源：http://www.w3school.com.cn/xpath/xpath_operators.asp。
在选择某些节点的时候某些属性可能同时匹配了多个节点，但是只想要其中的某个节点，如第二个节点或者最后一个节点时可以利用中括号传入索引的方法获取特定次序的节点，示例如下：
from lxml import etree text = ''' <div> <ul> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-inactive"><a href="link3.html">third item</a></li> <li class="item-1"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a> </ul> </div> ''' html = etree.HTML(text) result = html.xpath('//li[1]/a/text()') print(result) result = html.xpath('//li[last()]/a/text()') print(result) result = html.xpath('//li[position()<3]/a/text()') print(result) result = html.xpath('//li[last()-2]/a/text()') print(result)
第一次选择时，选取了第一个 li 节点，中括号中传入数字 1 即可。注意，这里和代码中不同，序号是以 1 开头的，不是以 0 开头。
第二次选择时，选取了最后一个 li 节点，中括号中调用 last 方法即可，返回的便是最后一个 li 节点。
第三次选择时，选取了位置小于 3 的 li 节点，也就是位置序号为 1 和 2 的节点，得到的结果就是前两个 li 节点。
第四次选择时，选取了倒数第三个 li 节点，中括号中调用 last 方法再减去 2 即可。因为 last 方法代表最后一个，在此基础减 2 就是倒数第三个。
运行结果如下：
['first item'] ['fifth item'] ['first item', 'second item'] ['third item']
这里使用了 last、position 等方法。在 XPath 中，提供了 100 多个方法，包括存取、数值、字符串、逻辑、节点、序列等处理功能，具体作用可以参考：http://www.w3school.com.cn/xpath/xpath_functions.asp。
XPath 提供了很多节点轴选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等，示例如下：
from lxml import etree text = ''' <div> <ul> <li class="item-0"><a href="link1.html"><span>first item</span></a></li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-inactive"><a href="link3.html">third item</a></li> <li class="item-1"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a> </ul> </div> ''' html = etree.HTML(text) result = html.xpath('//li[1]/ancestor::*') print(result) result = html.xpath('//li[1]/ancestor::div') print(result) result = html.xpath('//li[1]/attribute::*') print(result) result = html.xpath('//li[1]/child::a[@href="link1.html"]') print(result) result = html.xpath('//li[1]/descendant::span') print(result) result = html.xpath('//li[1]/following::*[2]') print(result) result = html.xpath('//li[1]/following-sibling::*') print(result)
运行结果如下：
[<Element html at 0x22089cfc340>, <Element body at 0x2208a04a400>, <Element div at 0x2208a04a180>, <Element ul at 0x2208a049e40>] [<Element div at 0x2208a04a180>] ['item-0'] [<Element a at 0x2208a049e40>] [<Element span at 0x2208a04a180>] [<Element a at 0x2208a04a400>] [<Element li at 0x2208a049e40>, <Element li at 0x2208a04a300>, <Element li at 0x2208a04a100>, <Element li at 0x2208a04a340>]
第一次选择时，调用了 ancestor 轴，可以获取所有祖先节点。其后需要跟两个冒号，然后是节点的选择器，这里我们直接使用 *，表示匹配所有节点，因此返回结果是第一个 li 节点的所有祖先节点，包括 html、body、div 和 ul。
第二次选择时，又加了限定条件，这次在冒号后面加了 div，这样得到的结果就只有 div 这个祖先节点了。
第三次选择时，调用了 attribute 轴，可获取所有属性值，其后跟的选择器还是 *，这代表获取节点的所有属性，返回值就是 li 节点的所有属性值。
第四次选择时，调用了 child 轴，可获取所有直接子节点。这里我们又加了限定条件，选取 href 属性为 link1.html 的 a 节点。
第五次选择时，调用了 descendant 轴，可获取所有子孙节点。这里我们又加了限定条件获取 span 节点，所以返回的结果只包含 span 节点而不包含 a 节点。
第六次选择时，调用了 following 轴，可获取当前节点之后的所有节点。这里我们虽然使用的是 * 匹配，但又加了索引选择，所以只获取了第二个后续节点。
第七次选择时，调用了 following-sibling 轴，可获取当前节点之后的所有同级节点。这里我们使用 * 匹配，所以获取了所有后续同级节点。
以上是 XPath 轴的简单用法，更多轴的用法可以参考：http://www.w3school.com.cn/xpath/xpath_axes.asp。
XPath 功能非常强大，内置函数非常多，熟练使用之后，可以大大提升 HTML 信息的提取效率。
如果想查询更多 XPath 的用法，可以查看：http://www.w3school.com.cn/xpath/index.asp。
如果想查询更多 Python lxml 库的用法，可以查看 http://lxml.de/。
