Xpath语法与lxml库
lxml中文文档https://www.w3cschool.cn/lxml/
1. Xpath
1 )什么是XPath?
xpath(XML Path Language)是一门在XML和HTML文档中查找信息的语言,可用来在XML和HTML文档中对元素和属性进行遍历。
2) XPath开发工具
- Chrome插件XPath Helper。
- Firefox插件Try XPath。
1.1Xpath语法
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
<?xml version="1.0" encoding="ISO-8859-1"?> <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>
1.1.1 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。 |
/ | 如果是在最前面,代表从根节点选取。否则选择某节点下的直接子节点 |
// | 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。 |
. | 选取当前节点。 |
.. | 选取当前节点的父节点。 |
@ | 选取属性。 |
实例:在下面的表格中,列出了一些路径表达式以及表达式的结果:
路径表达式 | 结果 |
---|---|
bookstore | 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。 |
//book[@lang] | 选取所有拥有lang属性的book节点。 |
1.1.2 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。
实例:在下面的表格中,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。 |
1. 1.3 通配符
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。 |
实例: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。 |
1.1.4 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。
实例: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语法详解文档路径:http://www.w3school.com.cn/xpath/index.asp
2. lxml库
lxml是python的一个解析库,支持HTML和XML的解析,支持XPath解析方式,而且解析效率非常高
2.1 lxml库常用类的属性和方法
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
object ---+ | _Element # ===================================== # Properties(属性) # ===================================== attrib # 元素属性字典 base # 原始文档的url或None sourceline # 原始行数或None tag # tag名 tail # 尾巴文本(存在于兄弟节点间,属于父节点的文本内容) text # 位于第一个子标签之前的子文本 prefix # 命名空间前缀(XML)(详解见底部附录) nsmap # 命名空间与URL映射关系(XML)(详解见底部附录) # ===================================== # Instance Methods(实例方法)(常用) # ===================================== xpath(self, _path, namespaces=None, extensions=None, smart_strings=True, **_variables) # 通过xpath表达式查找指定节点元素,返回指定节点元素列表或None getparent(self) # 查找父节点,返回找到的父节点对象或None getprevious(self) # 查找前一个相邻的兄弟节点元素,返回找到的节点对象或None getnext(self) # 查找后一个相邻的兄弟节点对象,返回找到的节点对象或None getchildren(self) # 返回所有直属的子节点对象 getroottree(self) # 返回所在文档的根节点树 find(self, path, namespaces=None) # 根据标签名或路径,返回第一个匹配到的子节点对象 findall(self, path, namespaces=None) # 根据标签名或路径,返回全部符合要求的子节点对象 findtext(self, path, default=None, namespaces=None) # 根据标签名或路径,返回第一个匹配到的子节点对象的text文本 clear(self) # 重置节点对象,清除所有子节点对象,以及所有的text、tail对象 get(self, key, default=None) # 返回节点属性key对应的值 items(self) # 以任意顺序返回节点属性键和值 keys(self) # 以任意顺序返回包含节点全部属性名的列表 values(self) # 以任意顺序返回包含节点全部属性值的列表 set(self, key, value) # 设置节点属性
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
object ---+ | _Element ---+ | ElementBase # ===================================== Functions(函数)(常用) # ===================================== HTML(text, parser=None, base_url=None) # 将字符型HTML文档内容转换为节点树对象 fromstring(text, parser=None, base_url=None) # 将字符型XML文档或文档片段转换问节点树对象 tostring(element_or_tree, encoding=None, method="xml", xml_declaration=None, pretty_print=False, with_tail=True, standalone=None, doctype=None, exclusive=False, with_commments=True, inclusive_ns_prefixes=None) # 将节点树对象序列化为编码的字符型 tounicode(element_or_tree, method="xml", pretty_print=False, with_tail=True, doctype=None) # 将节点树对象序列化为Unicode型
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
object ---+ | etree._Element ---+ | etree.ElementBase---+ | object ---+ | | | HtmlMixin ---+ | HtmlElement # ===================================== Functions(函数)(常用) # ===================================== fromstring(html, base_url=None, parser=None, **kwargs) # 将字符型html文档转换为节点树或文档树 tostring(doc, pretty_print=False, include_meta_content_type=False, encoding=None, method="html", with_tail=True, doctype=None) # 将节点树或文档树序列化为字符型 ###################################### **Class HtmlMixin** object ---+ | HtmlMixin # ===================================== Properties(属性) # ===================================== base_url # 文档url head # <head>标签部分 body # <body>标签部分 forms # 返回全部form列表 label # 元素的label标签 classes # class属性值的集合 # ===================================== Instance Methods(实例方法)(常用) # ===================================== drop_tag(self) # 移除标签,但不移除其子标签和text文本,将其合并到父节点 drop_tree(self) # 移除节点树(包含子节点和text),但不移除它的tail文本,将其合并到父节点或前一个兄弟节点 find_class(self, class_name) # 根据class属性值查找节点元素 get_element_by_id(self, rel) # 根据id属性值查找节点元素 set(self, key, value=None) # 设置节点元素的属性 text_content(self) # 返回其后代节点与其自身的全部text内容
2.2 从字符串中解析HTML代码
解析html字符串,使用'lxml.etree.HTML'进行解析。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
# 使用 lxml 的 etree 库 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> # 注意,此处缺少一个 </li> 闭合标签 </ul> </div> ''' #利用etree.HTML,将字符串解析为HTML文档 htmlElementTree = etree.HTML(text) # 按字符串序列化HTML文档 result = etree.tostring(htmlElementTree,encoding='utf-8') .decode('utf-8')) print(result)
输出结果如下:
<html><body> <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></li> </ul> </div> </body></html>
可以看到。lxml会自动修改HTML代码。例子中不仅补全了li标签,还添加了body,html标签。
2.3 从文件中解析html代码
除了直接使用字符串进行解析,lxml还支持从文件中读取内容。我们新建一个hello.html文件:
<!-- hello.html --> <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"><span class="bold">third item</span></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></li> </ul> </div>
解析html文件,使用lxml.etree.parse()进行解析,这个函数默认使用XMLparser解析器,所以如果遇到一些不规范的HTML代码就会解析错误,此时需要自己创建HTMLparser解析器。示例代码如下:
from lxml import etree # 读取外部文件 hello.html parser = etree.HTMLParser()#指定解析器HTMLParser,解析时会根据文件修复HTML文件中缺失的信息 htmlElementTree = etree.parse('hello.html',parser = parser) result = etree.tostring(htmlElementTree,encoding = 'utf-8',pretty_print=True).decode('utf-8') print(result)
输出结果和之前是相同的。
2.4 Xpath与lxml结合
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#-*-coding = utf-8 -*- from lxml import etree import requests #爬取豆瓣电影热映电影信息 headers = { "User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36' } response = requests.request(method='get',url='https://movie.douban.com',headers=headers) text = response.text parser = etree.HTMLParser() html = etree.fromstring(text,parser=parser) ul = html.xpath('//ul[@class="ui-slide-content"]')[0] li_list = ul.xpath('./li') move_list = [] for li in li_list: if li.xpath('./@data-title')!= []: data_title = li.xpath('./@data-title') data_release = li.xpath('./@date-release') data_rate = li.xpath('./@data-rate') data_duration = li.xpath('./@data-duration') data_director = li.xpath('./@data-director') data_actors = li.xpath('./@data-actors') data_postor = li.xpath('.//img/@src') data = { 'data_title':data_title, 'data_release':data_release, 'data_rate':data_rate, 'data_duration':data_duration, 'data_director':data_director, 'data_actors':data_actors, 'data_postor':data_postor } move_list.append(data) print(move_list)
以下面的xml练习lxml结合Xpath语法查找感兴趣的元素
<?xml version="1.0" encoding="utf8"?> <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>
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
xml="""<?xml version="1.0" encoding="utf8"?> <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> """ #1)得到根节点 root = etree.fromstring(xml.encode('utf-8'))#<Element bookstore at 0x2044cf28e08> #2)选取所有book子元素,注意xpath()方法返回的是列表 booklist=root.xpath('book')#[<Element book at 0x1bf9d0bddc8>, <Element book at 0x1bf9d0bdd88>] #3)选取根节点bookstore bookstore = root.xpath('/bookstore')#[<Element bookstore at 0x2563d6e6ec8>] #4)选取所有book子元素的title子元素 titlelist1 = root.xpath('/bookstore/book/title')#[<Element title at 0x1ceb6736f48>, <Element title at 0x1ceb6736f88>] titlelist2 = root.xpath('book/title')#[<Element title at 0x22da6316fc8>, <Element title at 0x22da6333048>] #5)以根节点为始祖,选取其后代的title元素 titlelist = root.xpath('//title')#[<Element title at 0x195107c3048>, <Element title at 0x195107c3088>] #6)以book子元素为始祖,选取后代中的price元素 pricelist = root.xpath('book//price')#[<Element price at 0x200d84321c8>, <Element price at 0x200d8432208>] #7)以根节点为始祖,选取其后代的lang属性值 langValue = root.xpath('//@lang')#['eng', 'eng'] #8)获取bookstore的第一个book子元素 book = root.xpath('/bookstore/book[1]')#[<Element book at 0x25f421920c8>] #9)获取bookstore的最后一个book子元素 book_last = root.xpath('/bookstore/book[last()]')#[<Element book at 0x1bf133f2048>] #10)选取bookstore的倒数第二个book子元素 print(root.xpath('/bookstore/book[last()-1]'))#[<Element book at 0x1ff5cbf2088>] #11)选取bookstore的前两个book子元素 print(root.xpath('/bookstore/book[position()<3]'))#[<Element book at 0x172ac252088>, <Element book at 0x172ac252048>] #12)以根节点为始祖,选取其后代中含有lang属性的title元素 print(root.xpath('//title[@lang]'))#[<Element title at 0x1a2431cb188>, <Element title at 0x1a2431cb1c8>] #13)以根节点为始祖,选取其后代中含有lang属性并且其值为eng的title元素 print(root.xpath("//title[@lang='eng']"))#[<Element title at 0x1ac988f1188>, <Element title at 0x1ac988f11c8>] #14)选取bookstore子元素book,条件是book的price子元素要大于35 print(root.xpath('/bookstore/book[price>35.00]'))#[<Element book at 0x2a907bf1088>] #15)选取bookstore子元素book的子元素title,条件是book的price子元素要大于35 print(root.xpath('/bookstore/book[price>35.00]/title'))#[<Element title at 0x1f309bf11c8>] #16)选取bookstore的所有子元素 print(root.xpath('/bookstore/*'))#[<Element book at 0x24fe7e51108>, <Element book at 0x24fe7e510c8>] #17)选取根节点的所有后代元素 print(root.xpath('//*'))#[<Element bookstore at 0x195e1061188>, <Element book at 0x195e1061108>, <Element title at 0x195e10611c8>, <Element price at 0x195e10612c8>, <Element book at 0x195e10610c8>, <Element title at 0x195e1061208>, <Element price at 0x195e1061308>] #18)选取根节点的所有具有属性的title元素 print(root.xpath('//title[@*]'))#[<Element title at 0x1eb712c1208>, <Element title at 0x1eb712c1248>] #19)选取当前节点下的所有节点。'\n'是文本节点 print(root.xpath('node()'))#['\n ', <Element book at 0x23822bb1148>, '\n ', <Element book at 0x23822bb1108>, '\n'] #20)选取根节点所有后代节点,包括元素、属性、文本 print(root.xpath('//node()'))#[<Element bookstore at 0x2013d601208>, '\n ', <Element book at 0x2013d601188>, '\n ', <Element title at 0x2013d601248>, 'Harry Potter', '\n ', <Element price at 0x2013d601348>, '29.99', '\n ', '\n ', <Element book at 0x2013d601148>, '\n ', <Element title at 0x2013d601288>, 'Learning XML', '\n ', <Element price at 0x2013d601388>, '39.95', '\n ', '\n'] #21)选取所有book的title元素或者price元素 print(root.xpath('//book/title|//book/price'))#[<Element title at 0x1c64d751248>, <Element price at 0x1c64d751348>, <Element title at 0x1c64d751288>, <Element price at 0x1c64d751388>] #22)选取所有的title或者price元素 print(root.xpath('//title|//price'))#[<Element title at 0x212757e1288>, <Element price at 0x212757e1388>, <Element title at 0x212757e12c8>, <Element price at 0x212757e13c8>] xml_1="""<?xml version="1.0" encoding="utf8"?> <bookstore> <book> <title lang="eng">Harry Potter</title> <price>29.99</price> <content>分部内容 <part1> HarryPotter and the Philosopher's Stone <br> 1.大难不死的男孩 <br> 2.悄悄消失的玻璃 <br> 3.猫头鹰传书 <br> 4.钥匙保管员 </part1> <part2>HarryPotter and the Chamber of Secrets</part2> <part3>HarryPotter and the Prisoner of Azkaban</part2> <part3>HarryPotter and the Prisoner of Azkaban</part2> </content> </book> <book> <title lang="eng">Learning XML</title> <price>39.95</price> </book> </bookstore> """ #23)获取所有price的文本内容 root = etree.fromstring(xml_1.encode('utf-8'),parser=etree.HTMLParser()) #way1 print(root.xpath('//price/text()'))#['29.99', '39.95'], print(type(root.xpath('//price/text()')[0]))#返回的是一个<class 'lxml.etree._ElementUnicodeResult'> #way2 price_list = root.xpath('//price') for price in price_list: print(price.xpath("string(.)"))#如果匹配的标签是多个,直接用xpath的string(.)方法会报错,如:root.xpath('//price/string(.)') #29.99 #39.95 print(root.xpath('//content/part1/text()'))#["\n HarryPotter and the Philosopher's Stone\n ", '\n 1.大难不死的男孩\n ', '\n 2.悄悄消失的玻璃\n ', '\n 3.猫头鹰传书\n ', '\n 4.钥匙保管员\n '] #24)注意 #1.使用'xpath'语法,应该使用'Element.xpath'方法来选择感兴趣的元素.’xpath函数返回来的永远是一个列表。 #2.获取某个标签的属性:href = html.xpath('//a/@href') #3.获取某个标签的文本,通过xpath中的'text()'函数,root.xpath('//price/text()')
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#-*-coding = utf-8 -*- from lxml import etree import requests BASE_DOMAIN = 'https://www.dytt8.net' headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36' } def get_detail_urls(url): response = requests.request(method='get',url=url,headers=headers) html=response.text parser = etree.HTMLParser() root = etree.fromstring(html,parser=parser) movies_url_list = root.xpath('//table[@class="tbspan"]//a/@href') #movies_urls = list(map(lambda url:BASE_DOMAIN + url,movies_url_list)) movies_urls = list(map(lambda url:''.join((BASE_DOMAIN,url)),movies_url_list)) return movies_urls def parse_detail_page(url): movie = {} response = requests.request(method='get',url=url,headers=headers) html = response.content.decode('gbk') parser = etree.HTMLParser() root = etree.fromstring(html, parser=parser) title = root.xpath('//h1/font[@color="#07519a"]/text()')[0] movie['title'] = title zoom = root.xpath('//div[@id="Zoom"]')[0] infors = zoom.xpath('.//p/text()') for index,infor in enumerate(infors): if infor.startswith('◎年 代'): movie['年代'] = infor.replace('◎年 代','').strip() elif infor.startswith('◎产 地'): movie['产地'] = infor.replace('◎产 地','').strip() elif infor.startswith('◎类 别'): movie['类别'] = infor.replace('◎类 别', '').strip() elif infor.startswith('◎语 言'): movie['语言'] = infor.replace('◎语 言', '').strip() elif infor.startswith('◎字 幕'): movie['字幕'] = infor.replace('◎字 幕', '').strip() elif infor.startswith('◎豆瓣评分'): movie['豆瓣评分'] = infor.replace('◎豆瓣评分', '').strip() elif infor.startswith('◎片 长'): movie['片长'] = infor.replace('◎片 长', '').strip() elif infor.startswith('◎导 演'): movie['导演'] = infor.replace('◎导 演', '').strip() elif infor.startswith('◎主 演'): movie['主演'] = [] movie['主演'].append(infor.replace('◎主 演', '').strip()) for infor in infors[index+1:len(infors)]: if infor.startswith('◎'): break movie['主演'].append(infor.strip()) elif infor.startswith('◎简 介'): profile = infor.replace('◎简 介', '').strip() for infor in infors[index+1:len(infors)]: profile = profile + infor.strip() movie['简介'] = profile movie['下载地址'] = root.xpath('//td[@bgcolor = "#fdfddf"]/a/@href')[0] return movie def spider(): #url = 'https://www.dytt8.net/html/gndy/dyzz/list_23_1.html' base_url = 'https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html' movies = [] for i in range(1,2): url = base_url.format(i) movies_urls = get_detail_urls(url) for detail_url in movies_urls: movie = parse_detail_page(detail_url) movies.append(movie) return movies if __name__ == '__main__': movies = spider() print(movies)
>>>>>待续