快捷搜索:  汽车  科技

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

python xpath使用实例(一文道尽Python的xpath解析)(1)

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()
contains

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。

猜您喜欢: