欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

XPath简介、功能及使用方法

程序员文章站 2022-06-27 21:11:29
html = '''The Dormouse's story

The Dormouse's story

 

html = '''<html><head><title>the dormouse's story</title></head>
<body>
<p class="title a " name="dromouse"><b>the dormouse's story</b></p>
<p class="story b">once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><!-- elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body></html>'''

xpath简介

xpath,全称xml path language,即xml路径语言,可以在xml,html文档中查找信息的语言,xpath的选择功能十分强大,提供了非常简明了的路径选择表达式。更多的文档可以访问其官方网站,http://www.w3.org/tr/xpath/。

xpath常用规则

nodename   选择此节点的所有子节点

/  从当前节点选择直接子节点

// 从当前节点选择子孙节点

. 选取当前节点

 ..  选取当前节点的父节点

 @  选取属性

准备工作

安装lxml   命令管理窗口 pip install lxml

xpath功能

from lxml import etree
html_data = etree.html(html) #声明为html文本 且etree可以自动修复html文本
print(etree.tostring(html_data).decode("utf-8")) #tostring输出完善后的html文本 decode将 bytes->str类型

所有节点  

result = html_data.xpath("//*") #表示选取所有节点
result1 = html_data.xpath("//p") # 表示选取所有p节点
print(result1)
#运行结果为
[<element p at 0x1f7d6abf888>, <element p at 0x1f7d67e4748>, <element p at 0x1f7d67e4288>]

 子节点 

result_children = html_data.xpath("//body/p")  #选取body节点里所有p节点
result_children1 = html_data.xapth("//body/a")
print(result_children1)
#运行结果为
[]
#通过上述程序表明//用于获取子孙节点 /用于获取直接子节点 ,而a节点不为body节点的直接子节点

父节点

#第一种方法
print(html_data.xpath('//a[@class="sister"]/../@class')) #获取a节点父节点p节点的class对应的值a节点为第一个a节点
#运行结果为
['story']
第二种方法
result = html_data.xpath('//a[@class="sister"]/parent::*/@class') #通过parent::来获取父节点

属性匹配

result = html_data.xpath('//a[@class="sister"]') #选取所有class值为sister的节点
print(result)
运行结果为
[<element a at 0x1f7d696d848>, <element a at 0x1f7d67e4288>, <element a at 0x1f7d6abf888>]
#获取文本
result = html_data.xpath('//a[2][@class="sister"]/./text()') #获得第二个a节点的文本值
print(result)
#运行结果为
['lacie']
#获取属性值
result = html_data.xpath('//a[2][@class="sister"]/@href') #获取第二个a节点的href值
print(result)
#运行结果为
['http://example.com/lacie']

多种属性值匹配

 

result = html_data.xpath('//p[contains(@class,"b")]/a/text()') #获取所有p节点下的a节点的文本
print(result)
#运行结果为
['lacie', 'tillie']
#多属性匹配
 result = html_data.xpath('//a[contains(@class,"sister") and @id="link2"]//text()') #获取第二个节点a的文本值
print(result)
#输出结果为
['lacie']

 

按序选择

result = html_data.xpath('//a[last()-1]//text()') #选取倒数第二个a节点的文本值
result1=html_data.xpath('//a[position()<3]//text()') #选取位置序号小于3的a节点 由于第一个a节点的文本值为空
#输出结果为
print(result)
['lacie']

节点轴选择

result = html_data.xpath('//a[1][@id="link1"]/ancestor::*') #获取所有第一个a节点的所有祖先节点
#输出结果为[<element html at 0x1f7d6a35488>, <element body at 0x1f7d67e4cc8>, <element p at 0x1f7d67e4ec8>]
result = html_data.xpath('//a[1][@id="link1"]/ancestor::p')#获取p祖先节点
#接下来便不再提供输出结果,有兴趣者可以自行编写
result = html_data.xpath('//a[2][@id="link2"]/attribute::*')#获取第二个a节点的所有属性值
result = html_data.xpath('//p[contains(@class,"story")]/child::a[@id="link2"]')#调用child轴,可以获取所有子节点,并且限定获取id=link2的a节点
result = html_data.xpath('//body/descendant::b') #获取body子孙节点,并且只获取子孙节点b
result = html_data.xpath('//p/following-sibling::*') #获取当前节点之后所有的同级节点

 

 

 

 

 

 `