xpath用法

···
lxml用法源自 lxml python 官方文档,更多内容请直接参阅官方文档,本文对其进行翻译与整理。
lxml
XPath语法参考 w3school
w3school
安装
pypi下载地址:https://pypi.python.org/pypi/lxml/3.4.2#downloads

1

pip install lxml

利用 pip 安装即可
XPath语法
XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素,并且 XQuery 和 XPointer 都构建于 XPath 表达之上。
节点关系
(1)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 <book >
2 <title>Harry Potter</title>
3 <author>J K. Rowling</author>
4 <year>2005</year>
5 <price>29.99</price>
6 </book>

(2)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 <book>
2 <title>Harry Potter</title>
3 <author>J K. Rowling</author>
4 <year>2005</year>
5 <price>29.99</price>
6 </book>

(3)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 <book>
2 <title>Harry Potter</title>
3 <author>J K. Rowling</author>
4 <year>2005</year>
5 <price>29.99</price>
6 </book>

(4)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<bookstore>
2
3 <book>
4 <title>Harry Potter</title>
5 <author>J K. Rowling</author>
6 <year>2005</year>
7 <price>29.99</price>
8 </book>
9
10 </bookstore>

(5)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 <bookstore>
2
3 <book>
4 <title>Harry Potter</title>
5 <author>J K. Rowling</author>
6 <year>2005</year>
7 <price>29.99</price>
8 </book>
9
10 </bookstore>

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。
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。

实例
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。

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。
实例
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。
实例
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。
实例
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。

XPath 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,则返回 true。如果 price 是 9.50,则返回 false。
and 与 price>9.00 and price<9.90如果 price 是 9.80,则返回 true。如果 price 是 8.50,则返回 false。
mod 计算除法的余数 5 mod 2 1

lxml用法
初步使用首先我们利用它来解析 HTML 代码,先来一个小例子来感受一下它的基本用法。
1 from lxml import etree
2 text = '''
3 <div>
4 <ul>
5 <li class="item-0"><a href="link1.html">first item</a></li>
6 <li class="item-1"><a href="link2.html">second item</a></li>
7 <li class="item-inactive"><a href="link3.html">third item</a></li>
8 <li class="item-1"><a href="link4.html">fourth item</a></li>
9 <li class="item-0"><a href="link5.html">fifth item</a>
10 </ul>
11 </div>
12 '''
13 html = etree.HTML(text)
14 result = etree.tostring(html)
15 print(result)

首先我们使用 lxml 的 etree 库,然后利用 etree.HTML 初始化,然后我们将其打印出来。
其中,这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码,大家应该注意到了,最后一个 li 标签,其实我把尾标签删掉了,是不闭合的。不过,lxml 因为继承了 libxml2 的特性,具有自动修正 HTML 代码的功能。
所以输出结果是这样的
1 <html><body>
2 <div>
3 <ul>
4 <li class="item-0"><a href="link1.html">first item</a></li>
5 <li class="item-1"><a href="link2.html">second item</a></li>
6 <li class="item-inactive"><a href="link3.html">third item</a></li>
7 <li class="item-1"><a href="link4.html">fourth item</a></li>
8 <li class="item-0"><a href="link5.html">fifth item</a></li>
9 </ul>
10 </div>
11
12 </body></html>

不仅补全了 li 标签,还添加了 body,html 标签。
文件读取
除了直接读取字符串,还支持从文件读取内容。比如我们新建一个文件叫做 hello.html,内容为

1 <div>
2 <ul>
3 <li class="item-0"><a href="link1.html">first item</a></li>
4 <li class="item-1"><a href="link2.html">second item</a></li>
5 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
6 <li class="item-1"><a href="link4.html">fourth item</a></li>
7 <li class="item-0"><a href="link5.html">fifth item</a></li>
8 </ul>
9 </div>

利用 parse 方法来读取文件。
1 from lxml import etree
2 html = etree.parse('hello.html')
3 result = etree.tostring(html, pretty_print=True)
4 print(result)

同样可以得到相同的结果。
XPath实例测试
依然以上一段程序为例
(1)获取所有的 <li> 标签

1 from lxml import etree
2 html = etree.parse('hello.html')
3 print type(html)
4 result = html.xpath('//li')
5 print result
6 print len(result)
7 print type(result)
8 print type(result[0])

运行结果

1 <type 'lxml.etree._ElementTree'>
2[<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at0x1014e0f80>, <Element li at 0x1014e0fc8>]
3 5
4 <type 'list'>
5 <type 'lxml.etree._Element'>

可见,etree.parse 的类型是 ElementTree,通过调用 xpath 以后,得到了一个列表,包含了 5 个 <li> 元素,每个元素都是 Element 类型
(2)获取 <li> 标签的所有 class

1 result = html.xpath('//li/@class')
2 print result
运行结果

1 ['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

(3)获取 <li> 标签下 href 为 link1.html 的 <a> 标签

1 result = html.xpath('//li/a[@href="link1.html"]')
2 print result

运行结果

1[<Element a at 0x10ffaae18>]

(4)获取 <li> 标签下的所有 <span> 标签
注意这么写是不对的

1 result = html.xpath('//li/span')

因为 / 是用来获取子元素的,而 <span> 并不是 <li> 的子元素,所以,要用双斜杠

1 result = html.xpath('//li//span')
2 print result

运行结果

1 [<Element span at 0x10d698e18>]

(5)获取 <li> 标签下的所有 class,不包括 <li>

1 result = html.xpath('//li/a//@class')
2 print result

运行结果

1 ['blod']

(6)获取最后一个 <li> 的 <a> 的 href

1 result = html.xpath('//li[last()]/a/@href')
2 print result

运行结果

1 ['link5.html']

(7)获取倒数第二个元素的内容

1 result = html.xpath('//li[last()-1]/a')
2 print result[0].text

运行结果

1 fourth item

(8)获取 class 为 bold 的标签名

1 result = html.xpath('//*[@class="bold"]')
2 print result[0].tag

运行结果

1 span

通过以上实例的练习,相信大家对 XPath 的基本用法有了基本的了解。也可以利用 text 方法来获取元素的内容。
大家多加练习!
结语
XPath 是一个非常好用的解析方法,同时也作为爬虫学习的基础,在后面的 selenium 以及 scrapy 框架中都会涉及到这部分知识,希望大家可以把它的语法掌握清楚,为后面的深入研究做好铺垫。
···

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,884评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,347评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,435评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,509评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,611评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,837评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,987评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,730评论 0 267
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,194评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,525评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,664评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,334评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,944评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,764评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,997评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,389评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,554评论 2 349

推荐阅读更多精彩内容