Xpath的使用

from lxml import etree

text = '''
<div>
    <ul>
         <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">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a>
     </ul>
 </div>
'''
# 调用HTML类进行初始化，etree模块可以自动修改HTML文本
html = etree.HTML(text)
# 输出修改后的HTML代码，结果是bytes类型
result = etree.tostring(html)
# 利用decode将其转化成str类型
print(result.decode('utf-8'))

#!/usr/bin/python3
# -*- coding: utf-8 -*-
# @Time    : 2019/3/25 14:42
# @Author  : QWL
# @Email   : [email protected]
# @File    : 所有节点.py
# @Software: PyCharm
from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
# 获取所有节点
result = html.xpath('//*')
print(result)
# 所有li节点
result = html.xpath('//li')
print(result)
print(result[0])

# 子节点 此处的/用于选取直接子节点
result = html.xpath('//li/a')
print(result)
# 子节点 获取所有子节点用'//'
result = html.xpath('//ul//a')
print(result)

# 父节点 首先选中href属性为link4.html的a节点，然后再获取其父节点，然后再获取其class属性
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)
# 也可以通过parent::来获取父节点
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')
print(result)

# 属性匹配
# 这里如果要选取class为item-1的li节点
result = html.xpath('//li[@class="item-0"]')
print(result)

# 文本获取
# 获取前面li节点中a的文本
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)
# 选取li所有子孙节点的文本
result = html.xpath('//li[@class="item-0"]//text()')
print(result)

# 属性获取
# 获取所有li节点下所有a节点的href属性
result = html.xpath('//li/a/@href')
print(result)

# 属性多值匹配 contains()方法，第一个参数传入属性名称，第二个参数传入属性值
from lxml import etree
text = '''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "li")]/a/text()')
print(result)

# 多属性匹配
# 根据多个属性确定一个节点，这时就需要同时匹配多个属性
text = '''
<li class="li li-first" name="item"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')
print(result)

# 按序选择
text = '''
<div>
    <ul>
         <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">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a>
     </ul>
 </div>
'''
html = etree.HTML(text)
# 第一次选择时，我们选取了第一个li节点，中括号中传入数字1即可。注意，这里和代码中不同，序号是以1开头的，不是以0开头。
result = html.xpath('//li[1]/a/text()')
print(result)
# 第二次选择时，我们选取了最后一个li节点，中括号中传入last()即可，返回的便是最后一个li节点。
result = html.xpath('//li[last()]/a/text()')
print(result)
# 第三次选择时，我们选取了位置小于3的li节点，也就是位置序号为1和2的节点，得到的结果就是前两个li节点。
result = html.xpath('//li[position()<3]/a/text()')
print(result)
# 第四次选择时，我们选取了倒数第三个li节点，中括号中传入last()-2即可。因为last()是最后一个，所以last()-2就是倒数第三个。
result = html.xpath('//li[last()-2]/a/text()')
print(result)

# 节点轴选择
# XPath提供了很多节点轴选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html"><span>first item</span></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">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a>
     </ul>
 </div>
'''
html = etree.HTML(text)
# 第一次选择时，我们调用了ancestor轴，可以获取所有祖先节点。其后需要跟两个冒号，然后是节点的选择器，这里我们直接使用*，表示匹配所有节点，因此返回结果是第一个li节点的所有祖先节点，包括html、body、div和ul
result = html.xpath('//li[1]/ancestor::*')
print(result)
# 第二次选择时，我们又加了限定条件，这次在冒号后面加了div，这样得到的结果就只有div这个祖先节点了。
result = html.xpath('//li[1]/ancestor::div')
print(result)
# 第三次选择时，我们调用了attribute轴，可以获取所有属性值，其后跟的选择器还是*，这代表获取节点的所有属性，返回值就是li节点的所有属性值。
result = html.xpath('//li[1]/attribute::*')
print(result)
# 第四次选择时，我们调用了child轴，可以获取所有直接子节点。这里我们又加了限定条件，选取href属性为link1.html的a节点。
result = html.xpath('//li[1]/child::a[@href="link1.html"]')
print(result)
# 第五次选择时，我们调用了descendant轴，可以获取所有子孙节点。这里我们又加了限定条件获取span节点，所以返回的结果只包含span节点而不包含a节点。
result = html.xpath('//li[1]/descendant::span')
print(result)
# 第六次选择时，我们调用了following轴，可以获取当前节点之后的所有节点。这里我们虽然使用的是*匹配，但又加了索引选择，所以只获取了第二个后续节点。
result = html.xpath('//li[1]/following::*[2]')
print(result)
# 第七次选择时，我们调用了following-sibling轴，可以获取当前节点之后的所有同级节点。这里我们使用*匹配，所以获取了所有后续同级节点。
result = html.xpath('//li[1]/following-sibling::*')
print(result)