什么是 XPath

XPath是一门在XML文档中查找信息的语言. XPath用于在XML文档中通过元素和属性进行导航.
XPath使用路径表达式在XML文档中进行导航
XPath包含一个标准函数库
XPath是XSLT中的主要元素
XPath是一个W3C 标准

XPath 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.

<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>  // 文档根节点
    <book>
      <title lang="en">   // 元素节点
        Harry Potter
      </title> 
      <author>J K. Rowling</author>  // 元素节点
      <year>2005</year>
      <price>29.99</price>
    </book>
</bookstore>

选取节点

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
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。

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)

/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

lxml实例学习

安装lxml pip install lxml

1、本地文件&硬编码

from lxml import etree

''' for file approach
xml = etree.parse('books.xml');
text = xml.xpath('/bookstore/book/title/text()')
'''
content = '''
<bookstore>
    <book category="COOKING">
      <title lang="en">Everyday Italian</title>
      <author>Giada De Laurentiis</author>
      <year>2005</year>
      <price>30.00</price>
    </book>
    <book category="CHILDREN">
      <title lang="en">Harry Potter</title>
      <author>J K. Rowling</author>
      <year>2005</year>
      <price>29.99</price>
    </book>
    <book category="WEB">
      <title lang="en">XQuery Kick Start</title>
      <author>James McGovern</author>
      <author>Per Bothner</author>
      <author>Kurt Cagle</author>
      <author>James Linn</author>
      <author>Vaidyanathan Nagarajan</author>
      <year>2003</year>
      <price>49.99</price>
    </book>
    <book category="WEB">
      <title lang="en">Learning XML</title>
      <author>Erik T. Ray</author>
      <year>2003</year>
      <price>39.95</price>
    </book>
</bookstore>
''';

#content_1 = etree.tostring(content, pretty_print=True)
xml = etree.XML(content)
print(xml.xpath('/bookstore/book/title/text()'))

2、抓取网页xml文件

from lxml import etree
from urllib.request import Request, urlopen
from urllib.parse import urlencode
from urllib.error import HTTPError
from html.parser import HTMLParser
import chardet
import io
import gzip

url_heads = {
    'Accept': '*/*',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
    'Connection': 'keep-alive',
    'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'Host': 'www.jianshu.com',
    'Origin': 'https://www.jianshu.com',
    'Referer': 'https://www.jianshu.com/p/569c1c0afe1f',
    'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',
    'X-Requested-With':'XMLHttpRequest'
}

url_data = {
    'username': 'elan',
    'password': '1234'
};

try:
    # handle escape character
    html_parser = HTMLParser();
    # encode post data
    encode_data = urlencode(url_data);
    # url address
    url = 'https://www.jianshu.com/p/569c1c0afe1f';
    # prepare request template
    req = Request(url=url, headers=url_heads);
    # fetch raw data
    content_raw = urlopen(req).read();
    # fetch the encoding
    encoding = chardet.detect(content_raw);
    print('encoding:', encoding);
    # gzip
    content_unzip = gzip.GzipFile(fileobj=io.BytesIO(content_raw), mode="rb").read()
    # decode to utf-8
    if encoding not in ( 'utf-8', 'UTF-8' ) :
       content = content_unzip.decode('utf-8', 'ignore')
    else:
       content = content_unzip.read()
    content = html_parser.unescape(content)
    xml = etree.HTML(content)
    # 抓取所有标题
    output = xml.xpath('/html//h2/text() | /html//h1/text()');
    print(output)
except HTTPError as e:
    print(e.code)

感谢

w3school xpath教程

xpath学习