Python3爬虫（五）解析库的使用之XPath

 Infi-chu:

http://www.cnblogs.com/Infi-chu/

 

XPath：

全称是 XML Path Language，XML路径语言，它是一门在XML文档中和HTML文档中查找信息的语言

 

1.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

 

2.准备工作：安装 lxml 库

3.例子：

from lxml import etree
text =
'''
<div>
<ul>
<li class="ex1"><a href="ex1.html">ex1</a></li>
<li class="ex2"><a href="ex2.html">ex2</a>
</ul>
</div>
'''
html = etree.HTML(text)    # 调用HTML类进行html初始化工作
r = etree.tostring(html)     # 修复HTML代码，补全其他选项
print(r.decode('utf-8'))       # 结果返回是bytes，我们将其转化成UTF-8

4.所有节点

选取所有节点：

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
res = html.xpath('//*')    # 选取所有
print(res)

5.子节点

选取li节点的所有直接a子节点：

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
res = html.xpath('//li/a')
print(res)

6.父节点

使用.和..

7.属性匹配

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
res = html.xpath('//li[@class='ex1']')
print(res)

8.文本属性

选取li节点的内部文本，两种方法，推荐第二种

a.

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
res = html.xpath('//li[@class='ex1']/a/text()')
print(res)

b.推荐，信息更全

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
res = html.xpath('//li[@class="ex1"]//text()')
print(res)

9.属性获取

获取所有li节点下所有a节点的href属性

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
res = html.xpath('//li/a/@href')
print(res)

10.属性多值匹配

from lxml import etree
text =
'''
<div>
<ul>
<li class="li li-first"><a href="ex1.html">li1</a></li>
</ul>
</div>
'''
html = etree.HTML(text)
res = html.xpath('//li[contains(@class,"li")]/a/text()')
print(res)

【注】

contains()中，

第一个参数传入属性名称，第二个参数传入属性值

11.多属性匹配

根据多个属性确定一个节点

from lxml import etree
text =
'''
<div>
<ul>
<li class="li" name="123"><a href="ex1.html">ex1</a></li>
</ul>
</div>
'''
html = etree.HTML(text)
res = html.xpath('//li[@contains(@class,"li") and @name="123"]/a/text()')
print(res)

12.按序选择（多个节点）

from lxml import etree
text =
'''
<div>
<ul>
<li class="ex1"><a href="ex1.html">ex1</a></li>
<li class="ex2"><a href="ex2.html">ex2</a></li>
<li class="ex3"><a href="ex3.html">ex3</a></li>
</ul>
</div>
'''
html = etree.HTML(text)
res = html.xpath('//li[1]/a/text()')    # 第一个li
res = html.xpath('//li[last()]/a/text()')    #  最后一个li
res = html.xpath('//li[position()<3]/a/text()')    # 前两个li
res = html.xpath('//li[last()-2]/a/text()')    # 第一个li

【注】

序号从1开始

13.节点轴选择

from lxml import etree
text =
'''
<div>
<ul>
<li class="ex1"><a href="ex1.html">ex1</a></li>
<li class="ex2"><a href="ex2.html">ex2</a></li>
<li class="ex3"><a href="ex3.html">ex3</a></li>
</ul>
</div>
'''
html = etree.HTML(text)
res = html.xpath('//li[1]/ancestor::*')    # 获取祖先节点
res = html.xpath('//li[1]/ancestor::div')    # 获取祖先div节点
res = html.xpath('//li[1]/attribute::*')    # 所有属性值
res = html.xpath('//li[1]/child::a[href="ex1.html"]')    # 所有直接子节点
res = html.xpath('//li[1]/descendant::span')    # 所有子孙节点
res = html.xpath('//li[1]/following::*[2]')    # 当前节点之后的所有节点
res = html.xpath('//li[1]/following-sibling::*')    # 当前节点之后的所有同级节点

　【注】这些都是轴

ancestor、attribute、child、descendant、following、following-sibling