XPath简单教程

　　本文参考：https://www.runoob.com/xpath/xpath-tutorial.html

　　分析标准xml文档可以使用SAX，DOM方法，但是针对Html文档例如网站源文件，因为格式不是完全标准的xml文档，使用的SAX和DOM方法经常在导入的时候报格式错误。分析html文档可以使用XPath

　　本文通过示例来分析XPath简单应用

　　XPath简介

　　XPath是一门在XML文档中查找信息的语言。

　　在学习前应该具备的知识

　　在您继续学习之前，应该对下面的知识有基本的了解：

• HTML / XHTML
• XML / XML Namespaces

　　什么是XPath

• XPath使用路径表达式在XML文档中进行导航
• XPath包含一个标准函数库
• XPath是XSLT中的主要元素
• XPtah是一个W3C标准

　　XPath节点

　　节点

　　在XPath中，有七种类型的节点：元素，属性，文档，命名空间，注释以及文档（跟）节点。XML文档是被作为节点树来对待的。树的跟被称为文档节点或者根节点。

　　请看下面这个XML文档：

?

1 2 3 4 5 6 7 8 9 10

<?xml version="1.0" encoding="UTF-8"?>   <bookstore>   <book>     <title lang="en">Harry Potter</title>     <author>J K. Rowling</author>     <year>2005</year>     <price>29.99</price>   </book> </bookstore>

　　上面的XML文档中的节点例子

?

1 2 3 4 5

<bookstore> (文档节点)   <author>J K. Rowling</author> (元素节点)   lang="en" (属性节点)

　　基本值

　　是无父或无子的节点

　　基本值的例子

?

1 2 3

J K. Rowling   "en"

　　项目（item）

　　项目是基本值或者节点

　　节点关系

　　父（Parent）

　　每个元素以及属性都有一个父

　　在下面的列子中，book 元素是 title、author、year 以及 price 元素的父：

?

1 2 3 4 5 6

<book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>

　　子（Children）

　　元素节点可有零个、一个或多个子。

　　在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子：

?

1 2 3 4 5 6

<book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>

　　同胞（Sibling）

　　拥有相同的父的节点

　　在下面的例子中，title、author、year 以及 price 元素都是同胞：

?

1 2 3 4 5 6

<book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>

　　先辈（Ancestor）

　　某节点的父、父的父，等等。

　　在下面的例子中，title 元素的先辈是 book 元素和 bookstore 元素：

?

1 2 3 4 5 6 7 8 9 10

<bookstore>   <book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>   </bookstore>

　　后代（Descendant）

　　某个节点的子，子的子，等等。

　　在下面的例子中，bookstore 的后代是 book、title、author、year 以及 price 元素：

?

1 2 3 4 5 6 7 8 9 10

<bookstore>   <book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>   </bookstore>

　　XML实例文档

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

<?xml version="1.0" encoding="UTF-8"?>    <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>

　　选取节点

　　XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。 下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取（取子节点）。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置（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。

 　　在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

ookstore	选取 bookstore 元素的所有子节点。
/bookstore	选取根元素 bookstore。 注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素。
//book	选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book	选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang	选取名为 lang 的所有属性。

　　谓语（Predicates）

　　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。

　　谓语被嵌在方括号中。

　　在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]//title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

　　选取未知节点

　　XPath 通配符可用来选取未知的 XML 元素。

通配符	描述
*	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。

　　在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。

　　选取若干路径

 　　通过在路径表达式中使用"|"运算符，您可以选取若干个路径。

　　在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式	结果
//book/title | //book/price	选取 book 元素的所有 title 和 price 元素。
//title | //price	选取文档中的所有 title 和 price 元素。
/bookstore/book/title | //price	选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。

　　XPath运算符

　　下面列出了可用在 XPath 表达式中的运算符：

运算符	描述	实例	返回值
|	计算两个节点集	//book | //cd	返回所有拥有 book 和 cd 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 4	2
=	等于	price=9.80	如果 price 是 9.80，则返回 true。 如果 price 是 9.90，则返回 false。
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。 如果 price 是 9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。 如果 price 是 9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。 如果 price 是 9.90，则返回 false。
>	大于	price>9.80	如果 price 是 9.90，则返回 true。 如果 price 是 9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。 如果 price 是 9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。 如果 price 是 9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。 如果 price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1

　　XPath实例

　　下面通过一个实例来演示XPath的用法，把演示xml作为一个字符串放到一个python文档里面

　　books.xml

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37

<?xml version="1.0" encoding="UTF-8"?>   <bookstore>   <book category="COOKING">   <title lang="en">Everyday Italian</title>   <author>Giada De Laurentiis</author>   <year>2005</year>   <price>30.00</price> </book>   <book category="CHILDREN">   <title lang="en">Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>   <book category="WEB">   <title lang="en">XQuery Kick Start</title>   <author>James McGovern</author>   <author>Per Bothner</author>   <author>Kurt Cagle</author>   <author>James Linn</author>   <author>Vaidyanathan Nagarajan</author>   <year>2003</year>   <price>49.99</price> </book>   <book category="WEB">   <title lang="en">Learning XML</title>   <author>Erik T. Ray</author>   <year>2003</year>   <price>39.95</price> </book>   </bookstore>

　　选取所有title　　

　　use_xpath.py

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44

books = ''' <?xml version="1.0" encoding="UTF-8"?>   <bookstore>   <book category="COOKING">   <title lang="en">Everyday Italian</title>   <author>Giada De Laurentiis</author>   <year>2005</year>   <price>30.00</price> </book>   <book category="CHILDREN">   <title lang="en">Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>   <book category="WEB">   <title lang="en">XQuery Kick Start</title>   <author>James McGovern</author>   <author>Per Bothner</author>   <author>Kurt Cagle</author>   <author>James Linn</author>   <author>Vaidyanathan Nagarajan</author>   <year>2003</year>   <price>49.99</price> </book>   <book category="WEB">   <title lang="en">Learning XML</title>   <author>Erik T. Ray</author>   <year>2003</year>   <price>39.95</price> </book>   </bookstore> ''' from lxml import etree html = etree.HTML(books) # 选取所有title all_title = html.xpath('//bookstore/book/title') print(all_title)

　　注意：本次把xml文档作为字符串导入到python文件，多行文档使用''' ''' 且符号'''需要单独占一行不能和文档在同一行

　　以下语句导入模块并且把文档转换成xpath可以分析的lxml.etree._Element对象

?

1 2	from lxml import etree html = etree.HTML(books)

　　代码解析

?

1 2 3

html.xpath('//bookstore/book/title') / #第一个/代码从根目录开始查找 /bookstore/book/title # 查找所有title节点

　　输出如下，返回一个list分别为本次查到的4个title节点，也是一个lxml.etree._Element对象，如果没有匹配到则返回空list

?

1	[<Element title at 0x2893c8b5308>, <Element title at 0x2893c8b5548>, <Element title at 0x2893c8b5588>, <Element title at 0x2893c8b55c8>]

　　选取第一个book的title

?

1 2	first_book_title = html.xpath('//bookstore/book[1]/title') print(first_book_title)

　　代码解析

?

1 2 3

//bookstore/book[1]/title book[1] # 代表在bookstore下找到的第一个book title # 在第一个book下继续查找所有title本次只有1个

　　返回list只有一个元素

?

1	[<Element title at 0x14290f15308>]

　　本次找的的是下面这个title

 

 　　选取所有价格

?

1 2 3

# 获取所有book的price值即书的价格 price_all_text = html.xpath('//bookstore/book/price/text()') print(price_all_text)

　　代码解析

?

1 2 3

html.xpath('//bookstore/book/price/text()') //bookstore/book/price # 从根目录下找到所有price text() # 找对应的price内部的值

　　输出如下，返回一个list值为几本书的价格

?

1	['30.00', '29.99', '49.99', '39.95']

　　即以下几个值

 

 　　找书的种类

?

1 2 3

# 找所有书的种类 book_category = html.xpath('//bookstore/book/@category') print(book_category)

　　代码解析

?

1 2	//bookstore/book/@category @category # @关键字用于选取属性

　　即找一下对应属性

 

 　　以上分析xml为一个标准xml，如果是使用xpath分析html源码原理也是一样的，把获取到的html网页源码使用etree.HTML(html)转换成xpath可以分析的lxml.etree._Element对象然后再使用xpath分析即可。