python xpath的基本用法

XPath是一种在XML文档中查找信息的语言，使用路径表达式在XML文档中进行导航。学习XPath需要对XML和HTML有基本的了解。

在XPath中，有七种类型的节点：文档（根）节点、元素、属性、文本、命名空间、处理指令、注释，XML 文档是被作为节点树来对待的，树的根被称为文档节点或者根节点。

<?xml version="1.0" encoding="UTF-8"?>
<bookstore>     <!--bookstore为根节点-->
  <book>    <!--book为元素节点-->
    <title lang="en">Harry Potter</title>  <!--lang="en"为属性节点-->
    <author>J K. Rowling</author>  <!--K. Rowling为文本节点-->
    <year>2005</year>
    <price>29.99</price>
  </book>
  <book category="COOKING">
    <title lang="en">Everyday Italian</title>
    <author>Giada De Laurentiis</author>
    <year>2005</year>
    <price>30.00</price>
  </book>
</bookstore>

requests基本用法 

使用requests可获取网页的源代码，需要先安装这个模块pip3 install requests

import requests

req = requests.get(url)  #req为<Response [200]>，req.text为整个网页源代码

XPath的基本使用方法：

要使用XPath，需要安装一个第三方库lxml，直接在cmd命令窗口中通过pip3 install lxml即可。 

from lxml import etree       #导入lxml模块的etree

selector = etree.HTML(源码)    #将源码转化为能被XPath匹配的格式

info1 = selector.xpath("//标签1[@属性1='值1']/标签2[@属性2='值2']/.../标签n[@属性n='值n'] ")   #返回匹配到的元素节点，类型为列表

info2 = selector.xpath("//标签1[@属性1='值1']/标签2[@属性2='值2']/.../text()")    #返回匹配到的元素节点的文本值，类型为列表

info3 = selector.xpath("//标签1[@属性1='值1']/标签2[@属性2='值2']/.../@属性x")    #返回匹配到的元素节点的x属性值，类型为列表

基本节点选取方式

通过nodename选取返回的列表的每一个元素为元素节点，类型为class 'lxml.etree._Element'对象，最后一个元素名称不能再加/否则会报错。

text()和@attrname则可以直接获取到元素节点的文本值和属性值。

selector = etree.HTML(source)                        #source为上述bookstore所在的整个代码块
title_ele = selector.xpath('//book/title')           #返回title元素节点对象
title_text = selector.xpath('//book/title/text()')   #返回title元素节点的文本
title_attr = selector.xpath('//book/title/@lang')    #返回title元素节点的lang属性值
print(title_ele[0],type(title_ele[0]))
print(title_text[0],type(title_text[0]))
print(title_attr[0],type(title_attr[0]))
# <Element title at 0x298d540ffc8> <class 'lxml.etree._Element'>
# Harry Potter                     <class 'lxml.etree._ElementUnicodeResult'>
# en                               <class 'lxml.etree._ElementUnicodeResult'>

获取元素的文本值，除了在匹配规则中直接通过/text()，也可以获取到元素对象再通过对象.text来获取，以下两种方式等价。

title1 = selector.xpath('//book/title/text()')
title2 =list( map(lambda x:x.text,selector.xpath('//book/title') ) )

除了上述基本的选取方法之外，还可以按条件进行选取，条件都放在节点名称的方括号[ ]内

限定位置选取

i1 = selector.xpath('//book[1]/title/text()')             #book元素的第一个元素（注意不是从0开始）
i2 = selector.xpath('//book[last()]/title/text()')        #book元素的最后一个元素
i3 = selector.xpath('//book[last()-1]/title/text()')      #book元素的倒数第二个元素
i4 = selector.xpath('//book[position()<3]/title/text()')  #book元素的前2个元素

限定属性选取，属性前面需加@标识

i5 = selector.xpath('//book[@class="story"]/title/text()')               #class属性为story的book元素
i6 = selector.xpath('//book[@category="COOKING"]/title/text()')          #category属性为COOKING的book元素
i7 = selector.xpath('//book[@category]/title/text()')                    #有category属性的book元素
i8 = selector.xpath('//book[starts-with(@category,"ch")]/title/text()')  #category属性以ch开头的book元素，没有ends-with方法
i9 = selector.xpath('//book[contains(@category,"oo")]/title/text()')     #category属性包含oo的book元素

限定文本值选取

i10 = selector.xpath('//book[price>30]/title/text()')               #price的文本值大于30的book元素
i11 = selector.xpath('//book[contains(title,"day")]/title/text()')  #title的文本值包含day的book元素

| 同时按多个匹配规则进行选取

i12 = selecotr.xpath('//book/title/text() | //book/@category')  #同时获取book元素的title元素文本值和category属性值

通配符 *

i13 = selector.xpath('//book/*')        #book元素下的所有直接子元素
i14 = selector.xpath('//book/title[@+]')  #book元素下有属性的title元素