XPath
XPath,全称 XML Path Language,即 XML 路径语言,它是一门在 XML 文档中查找信息的语言。最初是用来搜寻 XML 文档的,但同样适用于 HTML 文档的搜索。所以在做爬虫时完全可以使用 XPath 做相应的信息抽取。
python库lxml的安装
pip3 install lxml
XPath常用规则
表达式 | 描述 |
---|---|
nodename | 选取此节点的所有子节点 |
/ | 从当前节点选取直接子节点 |
// | 从当前节点选取子孙节点 |
. | 选取当前节点 |
.. | 选取当前节点的父节点 |
@ | 选取属性 |
* | 通配符,选择所有元素节点与元素名 |
@* | 选取所有属性 |
[@attrib] | 选取具有给定属性的所有元素 |
[@attrib=’value’] | 选取给定属性具有给定值的所有元素 |
[tag] | 选取所有具有指定元素的直接子节点 |
[tag=’text’] | 选取所有具有指定元素并且文本内容是text节点 |
XPath中的运算符
运算符 | 描述 | 实例 | 返回值 | ||
---|---|---|---|---|---|
or | 或 | age=19 or age=20 | 如果age等于19或者等于20则返回true反正返回false | ||
and | 与 | age>19 and age<21 | 如果age等于20则返回true,否则返回false | ||
mod | 取余 | 5 mod 2 | 1 | ||
\ | 取两个节点的集合 | //book \ | //cd | 返回所有拥有book和cd元素的节点集合 | |
+ | 加 | 6+4 | 10 | ||
- | 减 | 6-4 | 2 | ||
* | 乘 | 6*4 | 24 | ||
div | 除法 | 8 div 4 | 2 | ||
= | 等于 | age=19 | true | ||
!= | 不等于 | age!=19 | true | ||
< | 小于 | age<19 | true | ||
<= | 小于或等于 | age<=19 | true | ||
> | 大于 | age>19 | true | ||
>= | 大于或等于 | age>=19 | true |
解析方式
from lxml import etree
text='''
<div>
<ul>
<li class="item-0"><a href="link1.html">第一个</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-0"><a href="link5.html">a属性</a>
</ul>
</div>
'''
# 1.读取文本解析节点
html=etree.HTML(text) #初始化生成一个XPath解析对象
result=etree.tostring(html,encoding='utf-8') #解析对象输出代码
# 2.读取HTML文件进行解析
html=etree.parse('test.html',etree.HTMLParser()) #指定解析器HTMLParser会根据文件修复HTML文件中缺失的如声明信息
result=etree.tostring(html) #解析成字节
#result=etree.tostringlist(html) #解析成列表
获取元素节点
# 1.获取所有节点 //
from lxml import etree
html=etree.parse('test.html',etree.HTMLParser())
result=html.xpath('//*') #//代表获取子孙节点,*代表获取所有
# 如要获取li节点,可以使用//后面加上节点名称,然后调用xpath()方法
html.xpath('//li') #获取所有子孙节点的li节点
# 2.获取子节点 /
result=html.xpath('//li/a') #通过追加/a选择所有li节点的所有直接a节点,因为//li用于选中所有li节点,/a用于选中li节点的`所有直接子节点a`
# 3.获取父节点 .. parent::
# 使用`..`来实现也可以使用`parent::`来获取父节点
html=etree.HTML(text, etree.HTMLParser())
result=html.xpath('//a[@href="link2.html"]/../@class')
result1=html.xpath('//a[@href="link2.html"]/parent::*/@class'
# 4.根据属性匹配节点 //div[@class='box']
html=etree.HTML(text, etree.HTMLParser())
result=html.xpath('//li[@class="item-1"]')
print(result)
# 5.获取节点中的文本 text()
html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//li[@class="item-1"]/a/text()') #获取a节点下的内容
result1=html.xpath('//li[@class="item-1"]//text()') #获取li下所有子孙节点的内容
# 6. 获取属性 @href, @class, @src
result=html.xpath('//li/a/@href') #获取a的href属性
result=html.xpath('//li//@href') #获取所有li子孙节点的href属性
# 7. 属性多值匹配节点(某个属性的值有多个时,一个节点有多个属性值) contains()
text1='''
<div>
<ul>
<li class="aaa item-0"><a href="link1.html">第一个</a></li>
<li class="bbb item-1"><a href="link2.html">second item</a></li>
</ul>
</div>
'''
html=etree.HTML(text1,etree.HTMLParser())
result1=html.xpath('//li[contains(@class,"aaa")]/a/text()')
# 8.多属性匹配(根据多个属性确定一个节点, 多个节点有相同的属性值) and
text1='''
<div>
<ul>
<li class="aaa" name="item"><a href="link1.html">第一个</a></li>
<li class="aaa" name="fore"><a href="link2.html">second item</a></li>
</ul>
</div>
'''
html=etree.HTML(text1,etree.HTMLParser())
result=html.xpath('//li[@class="aaa" and @name="fore"]/a/text()')
result1=html.xpath('//li[contains(@class,"aaa") and @name="fore"]/a/text()')
# 9. 按序选择
# 可能同时匹配多个节点,但我们只想要其中的某个节点,如第二个节点或者最后一个节点,这时可以利用中括号引入索引的方法获取特定次序的节点: [1], [last()], position()
result=html.xpath('//li[contains(@class,"aaa")]/a/text()') #获取所有li节点下a节点的内容
result1=html.xpath('//li[1][contains(@class,"aaa")]/a/text()') #获取第一个
result2=html.xpath('//li[last()][contains(@class,"aaa")]/a/text()') #获取最后一个
result3=html.xpath('//li[position()>2 and position()<4][contains(@class,"aaa")]/a/text()') #获取第三个
result4=html.xpath('//li[last()-2][contains(@class,"aaa")]/a/text()') #获取倒数第三个
# XPath的函数: http://www.w3school.com.cn/xpath/xpath_functions.asp
# 10. 节点轴选择
# 包括获取子元素、兄弟元素、父元素、祖先元素等
result=html.xpath('//li[1]/ancestor::*') #获取所有祖先节点
result1=html.xpath('//li[1]/ancestor::div') #获取div祖先节点
result2=html.xpath('//li[1]/attribute::*') #获取所有属性值
result3=html.xpath('//li[1]/child::*') #获取所有直接子节点
result4=html.xpath('//li[1]/descendant::a') #获取所有子孙节点的a节点
result5=html.xpath('//li[1]/following::*') #获取当前子节之后的所有节点
result6=html.xpath('//li[1]/following-sibling::*') #获取当前节点的所有同级节点
# 更多轴的用法可参考:http://www.w3school.com.cn/xpath/xpath_axes.asp
本文参考:https://www.cnblogs.com/zhangxinqi/p/9210211.html 博主写的很详细,也很美观
XPath的更多用法参考:http://www.w3school.com.cn/xpath/index.asp
python lxml库的更多用法参考:http://lxml.de/