Xpath解析及其语法
XPath解析
XPath(XML Path Language)是一种用于在XML和HTML文档中查找信息的语言,其通过路径表达式来定位节点,属性和文本内容,并支持复杂查询条件,XPath 是许多 Web 抓取工具如
Scrapy,Selenium
等的核心技术之一
XPath 解析的基本步骤
-
导入lxml.etree
from lxml import etree
-
使用etree.parse(filename, parser=None)函数返回一个树形结构
etree.parse()
用于解析本地XML或HTML文件,并将其转换为一个树形结构即ElementTree
对象,可以通过该对象访问文档的各个节点filename
:要解析的文件路径parser
(可选):默认情况下,parser()会根据文件扩展名自动选择合适的解析器,如.xml
文件使用XML解析器,.html使用HTML解析器
-
使用etree.HTML(html_string, parser=None)解析网络html字符串
html_string
:要解析的HTML字符串parser
:(可选):默认情况下etree.HTML()
使用etree.HTMLparser()
进行解析- 返回值:etree.HTML()返回一个
ELement
对象,表示HTML文档的根元素,可以通过该对象访问文档各个节点
-
使用.xpath(xpath_expression)在已经解析好的HTML文档中执行XPath查询
result = html_tree.xpath(xpath_expression)
xpath_expression
:XPath表达式,用于在文档中查找节点,XPath表达式可以是绝对路径或相对路径,也可以包含谓词,函数和轴操作,主要的XPath语法下面会展开讲解html_tree
:可以是ElementTree
对象(由 etree.parse() 返回)或Element
对象(由 etree.HTML() 返回)
from lxml import etree
# 使用etree.parser()解析文件路径
parser = etree.HTMLParser(encoding='utf-8') # 以utf8进行编码
tree = etree.parse('../Learning02/三国演义.html', parser=parser)
print(tree)
#output-> <lxml.etree._ElementTree object at 0x000001A240107000>
# 使用etree.HTML()解析本地文件或网络动态HTML
# 读取文件 解析为字符串
file = open('../Learning02/三国演义.html', 'r', encoding='utf-8')
data = file.read()
root = etree.HTML(data)
print(root)
#整合
root = etree.HTML(open('../Learning02/三国演义.html', 'r', encoding='utf-8').read())
print(root)
#output-> <Element html at 0x1a23e462880>
XPath语法
XPath
语法可以用于在XML与HTML文档中查找信息的语言
路径表达式
XPath使用路径表达式来定位文档中的节点,路径也可以分为绝对路径与相对路径
绝对路径
/
:表示从根节点开始选择,其用于定义一个绝对路径
从根节点html开始查找到head,再从head下找出title标签
root = etree.HTML(open('../Learning02/三国演义.html', 'r', encoding='utf-8').read())
all_titles = root.xpath('/html/head/title')
for title in all_titles:
print(etree.tostring(title, encoding='utf-8').decode('utf-8'))
#output-> <title>《三国演义》全集在线阅读_史书典籍_诗词名句网</title>
相对路径
相比与绝对路径,相对路径使用率更好,更好用
//
:表示从当前节点开始,选择文档中所有符合条件的节点,并且不考虑他们的位置
root = etree.HTML(open('../Learning02/三国演义.html', 'r', encoding='utf-8').read())
all_a = root.xpath('//a')
for a in all_a:
print(a.text)
#None
#首页
#分类
#作者
#...
当前节点
./
:表示当前节点,通常用于指明当前节点本身,避免混淆
all_a = root.xpath('//a')
print(all_a[1].xpath('./text()')) #./表示当前的a标签
#output-> ['首页']
选择属性
@
:用于选择元素的属性,而不是元素本身
# 使用 @ 选择 <a> 标签的 href 属性
all_hrefs = root.xpath('//a[@href]')
for hrefs in all_hrefs:
print(etree.tostring(hrefs, encoding='unicode'))
XPath谓语
谓语是
xpath
中用于进一步筛选节点的表达式,通常放在方括号[]
内,其可以基于节点的位置,属性值,文本内容或其他条件来选择特定的节点,谓语可以嵌套使用,也可以与其他谓语组合使用
-
基本语法
//element[condition]
element
:要选择的元素condition
:谓语中的条件,用于进一步筛选符合条件的元素
位置谓语
位置谓语用于根据节点在兄弟节点中的位置进行选择,可以使用
position()
或直接指定位置编号
-
获取第一个
ul
标签中的第一个li
标签#//ul获取的是所有ul,[0]选择第一个 lis = root.xpath('//ul')[0].xpath('./li[1]') for li in lis: print(etree.tostring(li, encoding='unicode')) #output-> <li><a href="/">首页</a></li>
-
使用
last()
获取最后第一个节点,和导数第二个节点# 倒一个 last_li = root.xpath('//ul')[0].xpath('./li[last()]') print(etree.tostring(last_li[0], encoding='unicode')) # 倒二个 last_second_li = root.xpath('//ul')[0].xpath('./li[last()-1]') print(etree.tostring(last_second_li[0], encoding='unicode')) #output-> <li><a href="/app/">安卓下载</a></li> #<li><a href="/book/">古籍</a></li>
-
使用
position()
获取位置进行筛选# 获取前两个li标签 last_li = root.xpath('//ul')[0].xpath('./li[position()<3]') for li in last_li: print(etree.tostring(li, encoding='unicode')) # 获取偶数位标签 lis = root.xpath('//ul')[0].xpath('./li[position() mod 2=0]') for li in lis: print(etree.tostring(li, encoding='unicode'))
-
属性谓语
属性谓语用于选择具体特定属性的节点
- 使用
@attribute
来获取属性名称,结合条件进行筛选
# 选取所有具有 href 属性的 a 元素 hrefs = root.xpath("//a[@href]") for href in hrefs: print(etree.tostring(href, encoding='unicode'))
- 查找
class
属性值
all_class = root.xpath('//@class') print(all_class)
- 使用
-
组合谓语
将多个条件组合在一起,使用逻辑运算符
and,or
等来创建更复杂的谓语#选取href属性值为https://example.com且class属性值为link的a元素 //a[@href='https://example.com' and @class='link']
#选取href属性值为https://example.com或https://another.com的a 元素 //a[@href='https://example.com' or @href='https://another.com']
-
函数谓语
Xpath提供了许多内置函数,来应对更复杂的筛选条件
-
contains((string1, string2)
函数:string1
:要搜索的字符串string2
:要查找的字符串
# 选取class包含"book"的img标签 images = root.xpath('//img[contains(@src,"book")]') for image in images: print(etree.tostring(image, encoding='unicode'))
-
starts-with(string1, string2)
函数:检查一个字符串是否以指定字符的前缀开始,是返回
true
,否返回false
string1:
要检查的字符串string2:
作为前缀的字符串
# 选取所有href以https://开头的a标签 all_a = root.xpath('//a[starts-with(@href,"https:")]') for a in all_a: print(etree.tostring(a, encoding='unicode'))
-
-
文本内容谓语
用于选择包含特定文本内容的节点,可以使用
text()
函数来提取节点的文本内容# 选择使用包含"三国"文本的p标签 paragraphs = root.xpath('//p[contains(text(),"三国")]') for p in paragraphs: print(etree.tostring(p, encoding='unicode'))
通配符
xpath提供了多种通配符,用于在路径表达式中匹配未知的元素,属性,或任何节点.这些通配符非常有用,尤其是当不确定具体节点名称和结构的情况下
通配符 | 描述 |
---|---|
* | 匹配任何元素节点。 一般用于浏览器copy xpath会出现 |
@* | 匹配任何属性节点。 |
node() | 匹配任何类型的节点。 |
使用*
匹配任何元素节点
*
是最常用的通配符之一,其可以匹配任何元素,而不需要具体标签名.这在不确定元素名称或希望选择所有类型的元素时非常有用
# 选择所有 div 下的所有子元素
divs = root.xpath("//div/*")
for div in divs:
print(etree.tostring(div, encoding='unicode'))
使用@*
匹配任何属性节点
@*
用于匹配任何属性节点,而不用指定具体属性名称,在你不确定属性名称或希望选择所有属性时非常有用
# 选择所有 a 元素的所有属性
all_a = root.xpath('//a/@*')
for a in all_a:
print(a)
使用node()
匹配任何类型的节点
node()
是一个更通用的通配符,其能匹配任何类型节点,包括元素节点,文本节点,属性节点,注释节点等等,其在需要选择不仅仅是元素节点是十分有用
# 选择所有 ul 下的所有子节点(包括文本节点)
nodes = root.xpath('//ul/node()')
print(nodes)
#output-> ['\n ', <Element li at 0x2009621d800>, '\n,...]
XPath,re正则,BeautifulSoup对比
在之前的学习中我们首先学习了re正则表达式,其次学习了更加便捷的bs4,哪为何还要学习XPath解析呢,接下来我们将它们的优点和适用场景进行对比学习
工具 | 优点 | 缺点 | 适用场景 |
---|---|---|---|
XPath |
强大的路径表达能力,支持层级结构和条件查询 | 学习曲线较陡,对不规范 HTML 容错性较差 | 结构化良好的 XML/HTML,复杂查询 |
re |
灵活性高,适合处理纯文本中的模式匹配 | 不适合解析 HTML/XML,可读性差 | 从纯文本中提取特定模式的数据 |
BeautifulSoup |
易于使用,容错性强,适合初学者 | 性能稍低,功能有限 | 不规范的 HTML,简单数据提取,网页抓取 |
- 总结
- 若需要处理结构良好的XML或HTML文档,并需要进行复杂查询,那么XPath解析是最佳选择
- 若需要从纯文本中提取特定模式的数据时,如从日志中提取日期,IP地址的,re正则表达式是最佳选择
- 需要解析不规范的 HTML 或者只需要进行简单的数据提取,BeautifulSoup 是最友好的选择