Python 爬虫 解析库的使用 --- XPath

一、使用XPath 

XPath ，全称XML Path Language，即XML路径语言，它是一门在XML文档中查找信息的语言。它最初是用来搜寻XML文档的，但是它同样适用于HTML文档的搜索。

所以在爬虫时，我们完全可以使用XPath来做相应的信息提取。本次随笔中，我们就介绍XPath的基本用法。

 

1.XPath概览

XPath的选择功能十分强大，它提供了非常简洁明了的路径选择表达式。另外，它还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点。序列的处理等。几乎所有我们想要定位的节点，都可以用XPath来选择。

XPath与1999年11月16日成为W3C标准，它被设计为供XSLT/XPointer以及其他XML解析软件使用，更多的文档可以访问其官方网站：http://www.w3school.com.cn/xpath/index.asp

 

2.XPath 常用规则

我列举了几个常用规则：

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

 

这里列举出XPath的常用匹配规则，示例如下：

//title[@lang='eng']

这就是一个XPath规则，它代表选择所有名称为title，同时属性lang的值为eng的节点。

后面会通过Python的lxml库，利用XPath进行HTML 的解析。

 

3.准备工作

使用之前要安装好lxml库

 

4.实例引入

现在通过实例来感受一下使用XPath来对网页进行解析的过程，相关代码如下：

省略

首先我们导入 from lxml import etree ，然后声明了一段HTML 文本，调用HTML类进行初始化，这样就成功构造了一个XPath解析对象。需要注意的是etree模块可以自定修正HTML文本。

这里我们调用tosting()方法即可输出修正后的HTML文本，但是结果是bytes类型。这里利用decode()方法将其转成str类型。

另外，也可以直接读取文本文件进行解析。

 

5.所有节点

我们一般会用//开头的XPath规则来获取所有符合要求的节点。

*代表匹配所有节点，也就是整个HTML文本中的所有节点都会被获取。返回形式是一个列表，每一个元素是Element类型，其后跟了节点的名称，如html、body、div、ul、li、a等，所有节点都包含在列表中了。

当然，匹配也可以指定节点名称。//后直接加上节点名称即可。，列表获取其中直接用中括号加索引。

 

6.子节点

我们通过/或//即可查找元素的子节点或者子孙节点。

result = html.xpath('//li/a')

这里通过追加/a即选择了所有li节点的所有直接a子节点。因为//li用于选中所有li节点，/a用于选中li节点的所有直接子节点a，二者组合在一起即获取所有li节点的所有直接a子节点。

 

此处的/用于获取直接子节点，如果想要获取所有子孙节点，就可以使用//。

result = html.xpath('//ul//a')

 

7.父节点

我们知道通过/或//即可查找元素的子节点或者子孙节点，那么假如我们知道了自己子节点，怎样来查找父节点呢？

比如，现在首先选中href属性为link4.html的a节点，然后再获取其父节点，然后再获取其class属性

result = html.xpath('//a[@href=link4.html"]/../@class')

同时我们也可以通过parent：：来获取父节点

result = html.xpath('//a[@href=link4.html"]/parent：：*/@class')

 

 

8.属性匹配

在获取的时候，我们还可以用@符号进行属性过滤。比如，如果要选取class为item-0的li节点。

result = html.xpath('//li[@class="item-0"]')

这里我们通过加入[@class="item-0"]，限制了节点的class属性为item-0，而HTML 文本中符合条件的li节点有两个，会返回出符合的，至于正不正确，后面在验证。

 

 

9.文本获取

我们用XPath中的text（）方法获取节点中的文本，接下来尝试获取前面li节点中的文本

result = html.xpath('//li[@class="item-0"]/text()')

奇怪的是，我们并没有获取到任何文本，只获取到了一个换行符，这是为什么呢？因为XPath中text（）前面是/，而此处/的含义是选取直接子节点，很明显li的直接子节点都是a节点。文本都是在a节点内部的，所以这里匹配到的结果就是被修正的li节点内部的换行符，因为自动修正的li节点的为标签换行了。

 

因此想要获取li字节内部的文本，就有两种方式，一种就是先选取a节点再获取文本，另一种就是使用//。接下来，我们来看一下二者的区别。

第一种：

首先获取a节点再获取文本

 

 

10.属性获取

有时候，某些节点的某个属性可能有多个值

@符号

 

11.属性多值获取

用contains（）函数，第一个参数传入属性名称，第二个参数传入属性值。只要此属性包含所传入的属性值，就可以完成匹配了。

 

12.多属性匹配

另外，我们还坑遇到一种情况，那就是根据多个属性确定一个节点，这时候就需要同时匹配多个属性。

运算符及其介绍

运算符	描述	实例	返回值
or	或	age=19 or age=20	如果age是19，则返回true。如果age是21，则返回false
and	与	age>19 and age <21	如果age是20，则返回true。如果age是18，则返回false
mod	计算除法的余数	5 mod 2	1
|	计算两个节点集	//book | //cd	返回所有拥有book跟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	age-=19	如果age是19，则返回true，如果age是20，则返回false
!=	不等于	age1=19	如果age是18则返回true，如果age是19，则返回false
>	大于	age>19
>=	大于或等于	age>=19
<	小于	age<19
<=	小于或等于	age<=19

 

 

13.顺序选择

有时候，我们在选择的时候某些属性可能同时匹配了多个节点，但是只想要其中的某个节点，如第二个节点或者最后一个节点，该怎么办？

这时候可以利用中括号传入索引的方法获取特定次序的节点

 

 

14.节点轴选择

子元素、兄弟元素、父元素、祖先元素，

15.结语

 好好学习，天天向上