Python3编写网络爬虫05-基本解析库XPath的使用

一、XPath

全称 XML Path Language 是一门在XML文档中 查找信息的语言 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

XPath 的选择功能十分强大，它提供了非常简洁的路径选择表达式，另外还提供了超过100个内置函数，用于字符串，数值，时间的匹配
以及节点和序列的处理

XPath 于1999年11月16日成为W3C标准 被设计为供XSLT、XPointer、以及其它XML解析软件使用

<<<
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
>>>

示例： //title[@lang='eng']

选取所有名称为title 同时属性为lang的值为eng的节点 通过Python的lxml库 利用XPath进行HTML解析

 

安装 lxml 1. pip install lxml 2. wheel方式安装 https://www.lfd.uci.edu/~gohlke/pythonlibs/

 

验证 python命令行下 import lxml 无报错信息 表示安装成功

 

实例：

from lxml import etree #导入lxml的etree模块

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)#调用HTML类 初始化 构造一个XPath解析对象
result = etree.tostring(html)#输出 HTML代码
print(result.decode('utf-8'))#结果为bytes类型 用decode方法转化为str类型

 

也可以直接读取文本文件 例如：

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = etree.tostring(html)
print(result.decode('utf-8'))

 

一样可以打印结果

1.1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

例如：

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//*')
print(result)

 

*代表匹配所有节点 返回一个列表 每个元素是Element类型 其后是节点名

1.2指定节点

例如：

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])#取出其中一个对象 利用索引值

 

1.3子节点

通过/或者// 查找元素子节点或子孙节点

例如： 查找li节点的所有直接子节点

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li/a')
print(result)

 

ul获取所有子孙a节点

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//ul//a')
print(result)

 

想象一下换成 //ul/a 结果会怎样

1.4父节点

例如： 获取href属性为link4.html的a节点 获取其父节点 在获取其class属性

 

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)

 

也可以通过parent:: 获取其父节点

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')
print(result)

 

1.5属性过滤

选取class为item-0 的li节点

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)

 

1.6文本获取

用xpath中text（）方法获取节点中的文本

例如 获取li节点中的文本

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/text()') #此处的含义是直接获取子节点
print(result)#返回结果为 换行符

 

两种方式 1.先选取a节点 在获取文本 2.使用//

1.

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)#返回预期结果

 

2.

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]//text()')
print(result)#返回三个结果

 

1.7属性获取

示例 获取li节点下所有a节点的href属性

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)#注意 之前学的属性过滤是限制某个属性 class=“xxxx” 这里是获取某个节点某个属性的属性值 返回形式是列表

 

1.8属性多值匹配

示例 有时候某个节点的某个属性有多个值

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)#返回结果是[]

 

需要 contains()函数

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)#第一个参数传入属性名称 第二个参数传入属性值

 

1.9多属性匹配

示例 根据多个属性确定一个节点 通常需要同时匹配多个属性 可以使用and来连接

from lxml import etree
text='''
<li class="li li-first" name="item"><a href="link.html">first item</a></li>
<li class="li li-first" name="item_s"><a href="link.html">second item</a></li>
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class,"li") and @name="item"]/a/text()')
print(result)

#还有很多运算符 详见xpath.png

 

 

1.10 按序选择

有时候选择某些属性 可能同时匹配了多个节点 但是想要其中某个节点

如 第一个节点或者最后一个节点

可以利用中括号传索引的方法

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[1]/a/text()')
print(result)#返回第一个节点 注意这里序号是从1开始的

result = html.xpath('//li[last()]/a/text()')
print(result)#返回最后一个节点

result = html.xpath('//li[position()<3]/a/text()')
print(result)#返回前两个

result = html.xpath('//li[last()-2]/a/text()')
print(result)#返回倒数第三个

 

xpath提供了100多个函数 包括存取 数值 字符串 逻辑 节点 序列等 参考资料 http://www.w3school.com.cn/xpath/xpath_functions.asp

1.11 节点轴选择

xpath提供了很多节点轴选择方法 包括子元素，兄弟元素，父元素，祖先元素等

实例：

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)# 获取第一个li所有祖先节点 包括html body div ul


result = html.xpath('//li[1]/ancestor::div')
print(result)#限定条件 div

result = html.xpath('//li[1]/attribute::*')
print(result)#获取所有属性值 返回li节点所有属性值

result = html.xpath('//li[1]/child::a[@href="link1.html"]')
print(result)#获取所有直接子节点 限定条件href = link1.html

result = html.xpath('//li[1]/descendant::span')
print(result)# 获取所有子孙节点 限定span节点 不包含a节点

result = html.xpath('//li[1]/following::*[2]')
print(result)#获取当前节点之后的所有节点 虽然加了* 但又加了索引选择 只获取带第二个后续节点

result = html.xpath('//li[1]/following-sibling::*')
print(result)#获取当前节点之后的所有同级节点

更多用法 参考 http://www.w3school.com.cn/xpath/xpath_axes.asp