Python爬虫-Xpath语法与lxml库的用法（二）

一、 安装

pip方式安装

?

1	pip install lxml

二、 Xpath术语

2.1 节点

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根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 11 12

<?xml version="1.0" encoding="ISO-8859-1"?>   <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

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

2.2 节点关系

父（Parent）
每个元素以及属性都有一个父。
在下面的例子中，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>

兄弟（Sibling）

拥有相同的父的节点
在下面的例子中，title、author、year 以及 price 元素都是兄弟：

?

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：

2.3 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
//	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，我们已列出了一些路径表达式以及表达式的结果：

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，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：

选取未知节点
XPath 通配符可用来选取未知的 XML 元素。

 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：

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。

2.4 XPath 实例

?

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

# -*- coding: utf-8 -*-   from lxml import etree     text = """ <div class="wrapper">     <i class="iconfont icon-back" id="back"></i>     <a rel="nofollow" href="/" id="channel">新浪社会</a>     <ul id="nav">         <li><a rel="nofollow" href="http://domestic.firefox.sina.com/" title="国内">国内</a></li>         <li><a rel="nofollow" href="http://world.firefox.sina.com/" title="国际">国际</a></li>         <li><a rel="nofollow" href="http://mil.firefox.sina.com/" title="军事">军事</a></li>         <li><a rel="nofollow" href="http://photo.firefox.sina.com/" title="图片">图片</a></li>         <li><a rel="nofollow" href="http://society.firefox.sina.com/" title="社会">社会</a></li>         <li><a rel="nofollow" href="http://ent.firefox.sina.com/" title="娱乐">娱乐</a></li>         <li><a rel="nofollow" href="http://tech.firefox.sina.com/" title="科技">科技</a></li>         <li><a rel="nofollow" href="http://sports.firefox.sina.com/" title="体育">体育</a></li>         <li><a rel="nofollow" href="http://finance.firefox.sina.com/" title="财经">财经</a></li>         <li><a rel="nofollow" href="http://auto.firefox.sina.com/" title="汽车">汽车</a></li>     </ul>     <i class="iconfont icon-liebiao" id="menu"></i> </div> """   # 创建html对象 html = etree.HTML(text)   # 获取所有a标签的href内容 results = html.xpath('//a/@href') print(results) # 获取所有id为channel的a标签的href内容 results2 = html.xpath('//a[@id="channel"]/@href') print(results2) # 获取所有li标签下的a标签的文本内容 results3 = html.xpath('//li/a/text()') print(results3)

运行结果如下：

?

1 2 3

['/', 'http://domestic.firefox.sina.com/', 'http://world.firefox.sina.com/', 'http://mil.firefox.sina.com/', 'http://photo.firefox.sina.com/', 'http://society.firefox.sina.com/', 'http://ent.firefox.sina.com/', 'http://tech.firefox.sina.com/', 'http://sports.firefox.sina.com/', 'http://finance.firefox.sina.com/', 'http://auto.firefox.sina.com/'] ['/'] ['国内', '国际', '军事', '图片', '社会', '娱乐', '科技', '体育', '财经', '汽车']

　　

备注：

Ranorex Selocity 类似firepath的chrome插件　　

http://crx4.com/8198.html