python_Xpath入门

一：什么是XPath

　　XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。

　　XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。
　　XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快地被开发者采用来当作小型查询语言。
 

二：语法

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。 [1] 
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。
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：
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。
//@lang
选取名为 lang 的所有属性。

 

　　

　　案例：（博客：https://www.cnblogs.com/lei0213/p/7506130.html）

　　　　　　

复制代码
from lxml import etree
 
wb_data = """
        <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(wb_data)
print(html)
result = etree.tostring(html)
print(result.decode("utf-8"))

#从输出结果来看，我们打印机html其实就是一个python对象，#etree.tostring(html)则是不全里html的基本写法，补全了缺胳膊少腿的#标签（html,body）

#获取某个标签的内容(基本使用) 使用了text()函数 后面有提到

html = etree.HTML(wb_data)
html_data = html.xpath('/html/body/div/ul/li/a/text()')  
print(html)
for i in html_data:
    print(i)

#打印指定路径下a标签的属性（可以通过遍历拿到某个属性的值，查找标签的内容）
html = etree.HTML(wb_data)
html_data = html.xpath('/html/body/div/ul/li/a/@href')
for i in html_data:
    print(i)
复制代码

 

谓语

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。

 

三：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，
或者 price 是 9.70，则返回 true。
and
与
price>9.00 and price<9.90
如果 price 大于 9.00，
并且 price 小于9.90，则返回 true。
mod
计算除法的余数
5 mod 2
1

 

四：表达式

XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似。路径表达式是从一个XML节点（当前的上下文节点）到另一个节点、或一组节点的书面步骤顺序。这些步骤以“/”字符分开，每一步有三个构成成分：
  1. 轴描述（用最直接的方式接近目标节点）
  2. 节点测试（用于筛选节点位置和名称）
  3. 节点描述（用于筛选节点的属性和子节点特征）
一般情况下，我们使用简写后的语法。虽然完整的轴描述是一种更加贴近人类语言，利用自然语言的单词和语法来书写的描述方式，但是相比之下也更加啰嗦。
 

五：函数

xpath内置很多函数。更多函数查看https://www.w3school.com.cn/xpath/xpath_functions.asp

  • contains(string1,string2)
  • starts-with(string1,string2)
  • ends-with(string1,string2) #不支持
  • upper-case(string) #不支持
  • text()
  • last()
  • position()
  • node()

自定义函数

我们从使用函数的过程中得到结论，就是有的函数不支持，有的支持，那问题来了，到底哪些函数支持呢。我们在lxml官网找到了答案。https://lxml.de/xpathxslt.html。lxml 支持XPath 1.0 ，想使用其他扩展，使用libxml2，和libxslt的标准兼容的方式。XPath 1.0官方文档 以及其他版本的XPath文档 https://www.w3.org/TR/xpath/

lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way. 

除此之外，lxml还提供了自定义函数的方式来扩展xpath的支持度 https://lxml.de/extensions.html

 

 

节点关系（百度百科）

编辑 播报
节点（Node）是XPath 的术语。
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。 [2] 
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
7
8
9
10
11
12
13
14
15
16
<book>
 
 
<title>HarryPotter</title>
 
 
<author>JK.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>HarryPotter</title>
<author>JK.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
7
8
9
10
11
12
13
14
15
16
<book>
 
 
<title>HarryPotter</title>
 
 
<author>JK.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
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
<bookstore>
 
 
 
 
<book>
 
 
<title>HarryPotter</title>
 
 
<author>JK.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
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
<bookstore>
 
 
 
 
<book>
 
 
<title>HarryPotter</title>
 
 
<author>JK.Rowling</author>
 
 
<year>2005</year>
 
 
<price>29.99</price>
 
 
</book>
 
 
 
 
</bookstore>
 

存取函数（百度）

编辑 播报
名称 说明
fn:node-name(node) 返回参数节点的节点名称。
fn:nilled(node) 返回是否拒绝参数节点的布尔值。
fn:data(item.item,...) 接受项目序列，并返回原子值序列。
fn:base-uri()
fn:base-uri(node)
返回当前节点或指定节点的 base-uri 属性的值。
fn:document-uri(node) 返回指定节点的 document-uri 属性的值。
posted @   and脱发周大侠  阅读(75)  评论(0)  编辑  收藏  举报
相关博文：
· 爬虫基础_正则表达式_补
· Linux_shell基础
· Python爬虫_XPath
· XML文档节点导航与选择指南
· python爬虫---xpath基础教程
阅读排行：
· 无需6万激活码！GitHub神秘组织3小时极速复刻Manus，手把手教你使用OpenManus搭建本
· Manus爆火，是硬核还是营销？
· 终于写完轮子一部分：tcp代理 了，记录一下
· 别再用vector＜bool＞了！Google高级工程师：这可能是STL最大的设计失误
· 单元测试从入门到精通
点击右上角即可分享
微信分享提示