Xpath 使用技巧
简介
XPath：XML Path Language，一门在XML和HTML文档中查找信息的语言。
插件安装：
Chrome浏览器插件安装：XPath Helper
火狐浏览器插件安装：try XPath
常见语法
选取节点
XPath使用路径表达式来选取XML文档中的节点（集）。
| 表达式 | 描述 | 示例 |
|---|---|---|
| nodename | 选取此节点的所有子节点 | div |
| // | 查找所有子元素 | //div |
| / | 查找直接子元素 | /div |
| . | 选取当前节点 | ./div |
| .. | 选取当前节点的父节点 | ../div |
| @ | 选取某个节点的属性 | div[@id] |
谓语
谓语用来查找某个特定的节点或者包含某个指定的值的节点，被嵌在方括号中。常见谓语表达式如下：
| 表达式 | 描述 | 备注 |
|---|---|---|
| /div/div[1] | 选取div下的第一个div元素 | xpath下标是从1开始的 |
| /div/div[last()] | 选取div下的最后一个div元素 | |
| /div/div[position()>3] | 选取div下的前两个div元素 | |
| //div[@id] | 选取所有拥有id属性的div元素 | |
| //div[@id="10"] | 选取所有id为10的div元素 | |
| //div[contains(@class, "price")] | 选取所有class包含price的div元素 | 模糊匹配 |
通配符
*表示通配符
| 通配符 | 描述 | 示例 | 结果 |
|---|---|---|---|
| * | 匹配任意节点 | /div/* | 选取div下的所有子元素 |
| @* | 匹配节点中的任何属性 | //div[@*] | 选取所有带有属性的div元素 |
选取多个路径
通过在表达式中使用|运算符，可以选取多个路径。示例：
'//div[@class="financial"] | //div[@class="john"]'
运算符
在所有使用的谓词中或选取节点时，可以使用运算符精确的选取节点
| 运算符 | 描述 | 实例 | 返回值 |
|---|---|---|---|
| | | 计算两个节点 | //div | //dd | 返回所用拥有div和dd元素的节点集 |
| + | 加法 | 6+4 | 10 |
| - | 减法 | 6-4 | 2 |
| * | 乘法 | 6*4 | 24 |
| div | 除法 | 8 div 2 | 4 |
| = | 等于 | price=9 | 如果是，返回True，否则返回False |
| != | 不等于 | price!=9 | 同上 |
| < | 小于 | price<9 | 同上 |
| >= | 小于或等于 | price<=9 | 同上 |
| or | 或 | price=9 or price=10 | 有一个为真则返回True |
| and | 和 | price=9 and price=10 | 同为真则返回True |
| mod | 计算除法的余数 | 5 mod 2 | 1 |
比如要选取一个div节点，它的class为"financial"，id为"john"，可以使用//div[@class="financail" and id="john"]表达式。在某些拥有同一属性名和内容的元素中选取某个元素比较有用。
其他用法
使用contains选取包含属性
# div节点包含某个字符串的父节点下的td子节点
'//div[contains(text(), "标签文字包含某个字符串"]/../td'
使用tostring()将对象转换为字符串
# 使用xpath定位一个节点
s = html.xpath('//*[@id="testid"]')[0]
# s此时为<Element div at 0x2b6ffc8>对象
# 还原这个对象为html字符串
s2 = etree.tostring(s)
# s2现为：'<div id="testid">\n\t\t<h2>ÕâÀïÊǸöС±êÌâ</h2>\n\t\t<ol>\n\t\t\t<li data="one">1</li>\n\t\t\t<li data="two">2</li>\n\t\t\t<li data="three">3</li>\n\t\t</ol>\n\t\t<ul>\n\t\t\t<li code="84">84</li>\n\t\t\t<li code="104">104</li>\n\t\t\t<li code="223">223</li>\n\t\t</ul>\n\t</div>\n\t'
使用starts-with
'//div[starts-with(@class, "text")]'
使用not排除属性
# 排除包含某个属性的节点
'//tbody/tr[not(@class)]'
# 排除包含一个或两个属性的节点
'//tbody/tr[not(@class or @id)]'
选取倒数第二个标签
# 定位语法： position()=last()-1
'//tr[@bgcolor="#FFFFFF"]/td[position()=last()-1]//a'
使用 normalize-space
# normalize-space 函数删除了前部和尾部的空格, 并且把连续的空格串替换为一个单一的空格
'//*[starts-with(normalize-space(text()), "数读《共建“一带一路”倡议：进展、贡献和展望")]'
选取某个节点的兄弟节点
使用 preceding-sibling选取之前的兄弟节点，following-sibling选取之后的兄弟节点，例如：
# 选取 class 为 prompt 的 div 节点前的所有 class 为 post 的同级 div 节点
r.xpath('//div[@class="prompt"]/preceding-sibling::div[@class="post"]')
# 选取 class 为 prompt 的 div 节点后的第一个兄弟节点
r.xpath('//div[@class="prompt"]/following-sibling::div[1]')
根据节点名字选取
节点名字可使用 name() 变量获取：
# 选取 div 下所有不是 p 标签的标签
r.xpath('//div/*[name()!="p"]')
选取祖先节点
使用 ancestor:: 。
# 选取文本为 “办公电话” 的标签的 td 祖先标签的父级标签下的第二个子 td 标签下的文字
r.xpath('string(//*[text()="办公电话"]/ancestor::td/../td[2])')
更多
参考：
lxml库的使用
lxml是一个HTML/XML的解析器，解析和提取网页中的数据。它和正则一样，也是通过C语言实现的，是一款高性能的解析器。
用法示例
from lxml import etree
# 对字符串进行解析，同response对象
text = "some web source text..."
html = etree.HTML(text)
# 此时information是一个列表对象（xpath函数返回的永远是一个列表），要选取具体的数据需要给出下标
information = html.xpath('//div[@id="john"]//text()')
# 打印第一个
print(information[0])
# 对网页文件进行解析
html_element = etree.parse('somefile.html')
html = etree.tostring(html_element, encoding='utf-8').decode('utf-8')
备注
etree.parse方法中的parser参数可以传递解析器，如果不指定默认为XML解析器，如果遇到不规范的HTML代码导致解析错误，可以自己创建HTML解析器；- 获取文本通过
text()方法，获取属性通过@属性名方法； - 在某个标签下，再执行
xpath函数获取子元素，应该在斜杠前加一个.，代表是从当前元素下获取，如./a[@class="test"]。
