python xpath使用实例(一文道尽Python的xpath解析)
python xpath使用实例(一文道尽Python的xpath解析)<class 'lxml.etree._Element'> nodenamenodename 表示根据标签名字选取标签,注意只会选择子标签!比如:如果是儿子的儿子则选取不到。from lxml import etree text = ''' <div> <ul id='ultest'> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html
作者:闲欢
来源:Python 技术
大家在写爬虫时,往往获取到网页之后,需要从网页中提取我们需要的信息。这时候就需要用到 xpath 或者 css 选择器来定位页面元素信息。但是,由于这两者都是非人性化的语法,导致好多人望而生畏,经常为这个发愁。
今天我就尝试用一篇文章来道尽 xpath 解析 HTML 的方方面面,希望大家看完这篇文章后,从此不再害怕 xpath 解析。
路径表达式- nodename:选取此节点的所有子节点
- /:从当前节点选取直接子节点
- //:从当前接点选取子孙节点
- .:选取当前节点
- ..:选取当前接点的父节点
- @:选取属性
我们先放上一段 HTML 代码:
<html>
<head>
<title>
Xpath test page
</title>
</head>
<body>
<div class="navli">
<span class="nav_tit">
<a href="https://www.baidu.com/">
百度
</a>
<i class="group" />
</span>
</div>
<div class="navli">
<span class="nav_tit">
<a href="https://news.cctv.com/">
新闻频道
</a>
</span>
</div>
<div class="navli">
<span class="nav_tit">
<a href="https://sports.cctv.com/">
体育频道
</a>
</span>
</div>
</body>
</html>
接下来,我们针对这段 HTML 代码来进行 xpath 解析。
要进行 xpath 解析,我们先要将 HTML 文本转化成对象:
from lxml import etree
text = '''
<div>
<ul id='ultest'>
<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"><span>fourth item</span></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>
'''
# 调用HTML类进行初始化,这样就成功构造了一个XPath解析对象。
page = etree.HTML(text)
print(type(page))
我们可以看到打印的结果:
<class 'lxml.etree._Element'>
nodename
nodename 表示根据标签名字选取标签,注意只会选择子标签!比如:如果是儿子的儿子则选取不到。
print(page.xpath("body"))
//[<Element body at 0x1966d1c48c0>]
print(page.xpath("ul"))
// []
这个 nodename 我有点不是太清楚,当我使用 body 时,可以找到出 body 节点元素,但是使用 ul 时,找不到 ul 节点元素,打印的是空。这个网上搜索也没有什么准确的答案,如果你知道这里面的原理,还请告诉我。
/
/ 表示从根节点选取一级一级筛选(不能跳)。
print(page.xpath("/html"))
// [<Element html at 0x27107f41100>]
print(page.xpath("/body"))
// []
可以看到,我选取根节点 html ,可以打印出根节点元素,而我选取 body 打印时,是找不到的,这个符号只能从根节点开始找。
//
// 表示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。注意:是所有符合条件的。
print(page.xpath("//li"))
// [<Element li at 0x1cd2a325780> <Element li at 0x1cd2a325840> <Element li at 0x1cd2a3259c0> <Element li at 0x1cd2a325b00> <Element li at 0x1cd2a325ac0>]
.
. 表示选取当前标签。
ul = page.xpath("//ul")
print(ul)
print(ul[0].xpath("."))
print(ul[0].xpath("./li"))
// [<Element ul at 0x1cd2a325840>]
// [<Element ul at 0x1cd2a325840>]
// [<Element li at 0x1cd2a325700> <Element li at 0x1cd2a325b00> <Element li at 0x1cd2a325640> <Element li at 0x1cd2a325ac0> <Element li at 0x1cd2a325c00>]
我们先定位到 ul 元素节点,这里的结果是一个列表,然后再打印当前节点列表的第一个 ul,接着我们打印这个 ul 节点的子节点 li。
..
.. 表示选取当前标签的父节点。
print(ul[0].xpath(".."))
// [<Element div at 0x1cd2a325b00>]
这里打印第一个 ul 节点的父元素,也就是 div 。
@
@ 表示获取标签的属性值。
print(ul[0].xpath("@id"))
// ['ultest']
我们打印第一个 ul 节点的 id 属性,可以看到结果是 ‘ultest’。
谓语谓语用来查找某个或某些特定的节点或者包含某个指定值的节点。谓语被嵌在方括号中。
//a[n] n为大于零的整数,代表子元素排在第n个位置的<a>元素
//a[last()] last() 代表子元素排在最后个位置的<a>元素
//a[last()-] 和上面同理,代表倒数第二个
//a[position()<3] 位置序号小于3,也就是前两个,这里我们可以看出xpath中的序列是从1开始
//a[@href] 拥有href的<a>元素
//a[@href='www.baidu.com'] href属性值为'www.baidu.com'的<a>元素
//book[@price>2] price值大于2的<book>元素
同样的,我们来举一些例子:
# 第三个li标签
print(page.xpath('//ul/li[3]'))
# 最后一个li标签
print(page.xpath('//ul/li[last()]'))
# 倒数第二个li标签
print(page.xpath('//ul/li[last()-1]'))
# 序号小于3的li标签
print(page.xpath('//ul/li[position()<3]'))
# 有class属性的li标签
print(page.xpath('//li[@class]'))
# class属性为item-inactive的li标签
print(page.xpath("//li[@class='item-inactive']"))
获取文本
text()
我们用text()获取某个节点下的文本:
print(page.xpath('//ul/li/a/text()'))
// ['first item' 'second item' 'third item' 'fourth item' 'fifth item']
string()
我们用string()获取某个节点下所有的文本:
print(page.xpath('string(//ul)'))
输出内容为:
first item
second item
third item
fourth item
fifth item # 注意,此处缺少一个 闭合标签
通配符
- * 任意元素
- @* 任意属性
* 表示匹配任何元素节点:
print(page.xpath('//li/*'))
// [<Element a at 0x208931f0f00> <Element a at 0x208931f0f40> <Element a at 0x208931f0c40> <Element a at 0x208931f0d80> <Element a at 0x208931ff080>]
@* 表示匹配任何属性节点:
print(page.xpath('//li/@*'))
// ['item-0' 'item-1' 'item-inactive' 'item-1' 'item-0']
或运算
通过在路径表达式中使用"|"运算符,可以实现选取若干个路径。
# 选取所有的li和a节点
print(page.xpath("//li|//a"))
// [<Element li at 0x29bb7190ac0> <Element a at 0x29bb7190b00> <Element li at 0x29bb7190f00> <Element a at 0x29bb7190dc0> <Element li at 0x29bb7190fc0> <Element a at 0x29bb7190e00> <Element li at 0x29bb7190f80> <Element a at 0x29bb71b1080> <Element li at 0x29bb71b1040> <Element a at 0x29bb7190cc0>]
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)
- text()
- last()
- position()
- node()
有的时候,class作为选择条件的时候不合适@class='....' 这个是完全匹配,当网页样式发生变化时,class或许会增加或减少像active的class。用contains就能很方便。
print(page.xpath("//*[contains(@class 'item-inactive')]"))
// [<Element li at 0x21dd3504a00>]
starts-with
print(page.xpath("//*[starts-with(@class 'item-inactive')]"))
// [<Element li at 0x1a297641d00>]
其他几个函数,我们在上面使用过。注意,并不是所有的 xpath 函数python都会支持,比如 ends-with(string1 string2) 和 upper-case(string) 就不支持。
节点轴选择ancestor轴调用 ancestor 轴,获取所有祖先节点。其后需要跟两个冒号,然后是节点的选择器。返回结果:第一个li节点的所有祖先节点。
print(page.xpath('//li[1]/ancestor::*'))
// [<Element html at 0x26ead5d2d40> <Element body at 0x26eae63fdc0> <Element div at 0x26eae628c00> <Element ul at 0x26eae63fd40>]
attribute轴
调用 attribute 轴,获取所有属性值。返回结果:li节点的所有属性值。
print(page.xpath('//li[1]/attribute::*'))
// ['item-0']
child轴
调用 child 轴,获取所有直接子节点。返回结果:选取 href 属性为 link1.html 的 a 子节点。
print(page.xpath('//li[1]/child::a[@href="link1.html"]'))
// [<Element a at 0x13972af5b40>]
descendant轴
调用 descendant 轴,获取所有子孙节点。同时加了限定条件。返回结果:选取 li 节点下的子孙节点里的 span 节点。
print(page.xpath('//li[4]/descendant::span'))
// [<Element span at 0x1a4d5700d00>]
following轴
调用 following 轴,获取当前节点之后的所有节点。
print(page.xpath('//li[4]/following::*[2]'))
// [<Element a at 0x1583f8c0d00>]
following-sibling轴
调用 following-sibling 轴,获取当前节点之后的所有同级节点。
print(page.xpath('//li[4]/following-sibling::*'))
// [<Element li at 0x1ff55435c00>]
总结
到这里,我们的 xpath 学习之路就结束了,文章中基本涵盖了大家需要用的的 xpath 解析方法。大家看一遍没记住不要紧,以后遇到此类解析直接搬出这篇文章对照着写就行。