zoukankan      html  css  js  c++  java
  • xpath_note

    https://ethan2lee.github.io/

    XPath概览

    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。它最初是用来搜寻XML文档的,但是它同样适用于HTML文档的搜索。

    所以在做爬虫时,我们完全可以使用XPath来做相应的信息抽取。本节中,我们就来介绍XPath的基本用法。

    XPath的选择功能十分强大,它提供了非常简洁明了的路径选择表达式。另外,它还提供了超过100个内建函数,用于字符串、数值、时间的匹配以及节点、序列的处理等。几乎所有我们想要定位的节点,都可以用XPath来选择。

    它被设计为供XSLT、XPointer以及其他XML解析软件使用,更多的文档可以访问其官方网站:https://www.w3.org/TR/xpath/。

    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

    XPath的常用匹配规则,示例如下:

    1
    2
    str_xpath="//title[@class='python']"
    html.xpath()

    这就是一个XPath规则,它代表选择所有名称为title,同时属性class的值为python的节点。
    后面会通过Python的lxml库,利用XPath进行HTML的解析。

    安装

    1
    pip install  lxml

    使用以上命令,安装即可。

    示例讲解

    1
    from lxml import etree

    对基本包导入,我们需要用到etree这个包来解析网页。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    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>
    '''

    我们自己声明一个变量,该变量是字符创,html格式的文本,

    1
    html = etree.HTML(text)

    调用HTML类进行初始化,这样就成功构造了一个XPath解析对象。这里需要注意的是,HTML文本中的最后一个li节点是没有闭合的,但是etree模块可以自动修正HTML文本。

    1
    print(etree.tostring(html).decode('utf-8'))
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    <html><body><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>
    </li></ul>
    </div>
    </body></html>

    调用tostring()方法即可输出修正后的HTML代码,但是结果是bytes类型。这里利用decode()方法将其转成str类型。
    我们可以看到,经过处理之后,li节点标签被补全,并且还自动添加了body、html节点。

    选取所有节点

    一般会用//开头的XPath规则来选取所有符合要求的节点。这里以前面的HTML文本为例,如果要选取所有节点,可以这样实现:

    1
    html.xpath('//*')
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    [<Element html at 0x199551eb408>,
    <Element body at 0x19955205108>,
    <Element div at 0x19955243288>,
    <Element ul at 0x19955243508>,
    <Element li at 0x19955243388>,
    <Element a at 0x199552433c8>,
    <Element li at 0x19955243408>,
    <Element a at 0x199552434c8>,
    <Element li at 0x19955243608>,
    <Element a at 0x19955243488>,
    <Element li at 0x19955243648>,
    <Element a at 0x19955243688>,
    <Element li at 0x199552436c8>,
    <Element a at 0x19955243708>]

    这里使用*代表匹配所有节点,也就是整个HTML文本中的所有节点都会被获取。
    可以看到,返回形式是一个列表,每个元素是Element类型,其后跟了节点的名称,如html、body、div、ul、li、a等,所有节点都包含在列表中了。

    选取某特定节点

    1
    html.xpath('//li')
    1
    2
    3
    4
    5
    6


    <Element li at 0x19955243408>,
    <Element li at 0x19955243608>,
    <Element li at 0x19955243648>,
    <Element li at 0x199552436c8>]

    如上所示,此处匹配也可以指定节点名称。获取所有li节点,可以用//,然后加上节点名称既可以,调用时依然需要使用xpath()方法。
    返回的结果是个列表,里面的元素是可以操作的Element对象。

    选取节点下的子节点

    1
    html.xpath('//li/a')
    1
    2
    3
    4
    5
    [<Element a at 0x199552433c8>,
    <Element a at 0x199552434c8>,
    <Element a at 0x19955243488>,
    <Element a at 0x19955243688>,
    <Element a at 0x19955243708>]

    我们通过///即可查找元素的子节点或子孙节点。如上我们选择li节点的所有直接a子节点。
    以上的/用于选取直接的子节点,如果想要获取所有的子孙节点,可以使用//.
    例如,我们获取’ul’节点下的所有子孙节点a,代码如下:

    1
    html.xpath('//ul//a')
    1
    2
    3
    4
    5
    [<Element a at 0x199552433c8>,
    <Element a at 0x199552434c8>,
    <Element a at 0x19955243488>,
    <Element a at 0x19955243688>,
    <Element a at 0x19955243708>]

    父节点

    我们知道通过连续的/或//可以查找子节点或子孙节点,那么假如我们知道了子节点,怎样来查找父节点呢?这可以用..来实现。

    比如,现在首先选中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,相关代码如下:

    1
    html.xpath('//a[@href="link4.html"]/../@class')
    1
    ['item-1']

    检查一下结果发现,这正是我们获取的目标li节点的class。
    同时,我们也可以通过parent::来获取父节点,代码如下:

    1
    html.xpath('//a[@href="link4.html"]/parent::*/@class')
    1
    ['item-1']

    属性匹配

    在选取的时候,我们还可以用@符号进行属性过滤。
    比如,这里如果要选取class为item-1的li节点,可以这样实现:

    1
    html.xpath('//li[@class="item-0"]')
    1
    [<Element li at 0x19955243388>, <Element li at 0x199552436c8>]

    这里我们通过加入[@class=”item-0”],限制了节点的class属性为item-0,而HTML文本中符合条件的li节点有两个,所以结果应该返回两个匹配到的元素。

    文本获取

    我们用XPath中的text()方法获取节点中的文本,接下来尝试获取前面li节点中的文本

    大专栏  xpath_note - Ethan Leey>
    1
    html.xpath('//li[@class="item-0"]/text()')
    1
    2

    ['n ']

    奇怪的是,我们并没有获取到任何文本,只获取到了一个换行符,这是为什么呢?因为XPath中text()前面是/
    而此处/的含义是选取直接子节点,很明显li的直接子节点都是a节点,文本都是在a节点内部的,
    所以这里匹配到的结果就是被修正的li节点内部的换行符,因为自动修正的li节点的尾标签换行了。
    即选中的是这两个节点:

    1
    2
    3
    <li class="item-0"><a href="link1.html">first item</a></li>
    <li class="item-0"><a href="link5.html">fifth item</a>
    </li>

    其中一个节点因为自动修正,li节点的尾标签添加的时候换行了,所以提取文本得到的唯一结果就是li节点的尾标签和a节点的尾标签之间的换行符。

    因此,如果想获取li节点内部的文本,就有两种方式,一种是先选取a节点再获取文本,另一种就是使用//。接下来,我们来看下二者的区别。

    首先,选取到a节点再获取文本,代码如下:

    1
    html.xpath('//li[@class="item-0"]/a/text()')
    1
    ['first item', 'fifth item']

    可以看到,这里的返回值是两个,内容都是属性为item-0的li节点的文本,这也印证了前面属性匹配的结果是正确的。

    这里我们是逐层选取的,先选取了li节点,又利用/选取了其直接子节点a,然后再选取其文本,得到的结果恰好是符合我们预期的两个结果。
    再来看下用另一种方式(即使用//)选取的结果,代码如下:

    1
    html.xpath('//li[@class="item-0"]//text()')
    1
    2

    ['first item', 'fifth item', 'n ']

    不出所料,这里的返回结果是3个。可想而知,这里是选取所有子孙节点的文本,其中前两个就是li的子节点a节点内部的文本,另外一个就是最后一个li节点内部的文本,即换行符。

    所以说,如果要想获取子孙节点内部的所有文本,可以直接用//加text()的方式,这样可以保证获取到最全面的文本信息,但是可能会夹杂一些换行符等特殊字符。如果想获取某些特定子孙节点下的所有文本,可以先选取到特定的子孙节点,然后再调用text()方法获取其内部文本,这样可以保证获取的结果是整洁的。

    属性获取

    我们知道用text()可以获取节点内部文本,那么节点属性该怎样获取呢?其实还是用@符号就可以。例如,我们想获取所有li节点下所有a节点的href属性,代码如下:

    1
    html.xpath('//li/a/@href')
    1
    ['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

    我们通过@href即可获取节点的href属性。注意,此处和属性匹配的方法不同,属性匹配是中括号加属性名和值来限定某个属性,如[@href=”link1.html”],而此处的@href指的是获取节点的某个属性,二者需要做好区分。

    属性多值匹配

    有时候,某些节点的某个属性可能有多个值,例如:

    1
    2
    3
    4
    text = '''
    <li class="li li-first"><a href="link.html">first item</a></li>
    '''
    html = etree.HTML(text)

    这里HTML文本中li节点的class属性有两个值li和li-first,此时如果还想用之前的属性匹配获取,就无法匹配了,此时的运行结果如下:

    1
    html.xpath('//li[@class="li"]/a/text()')
    1
    []

    这时就需要用contains()函数了,代码可以改写如下:

    1
    html.xpath('//li[contains(@class, "li")]/a/text()')
    1
    ['first item']

    此种方式在某个节点的某个属性有多个值时经常用到,如某个节点的class属性通常有多个。

    多属性匹配

    ,我们可能还遇到一种情况,那就是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。此时可以使用运算符and来连接,示例如下:

    1
    2
    3
    4
    5

    text = '''
    <li class="li li-first" name="item"><a href="link.html">first item</a></li>
    '''
    html = etree.HTML(text)

    这里的li节点又增加了一个属性name。要确定这个节点,需要同时根据class和name属性来选择,一个条件是class属性里面包含li字符串,另一个条件是name属性为item字符串,二者需要同时满足,需要用and操作符相连,相连之后置于中括号内进行条件筛选。运行结果如下:

    1
    html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')
    1
    ['first item']

    运算符及其介绍

    运算符 描述 实例 返回值
    or age=19 or age=20 如果age是19,则返回true。如果age是21,则返回false
    and age>19 and age<21 如果age是20,则返回true。如果age是18,则返回false
    mod 计算除法的余数 5 mod 2 1
    + 加法 6 + 4 10
    - 减法 6 - 4 2
    * 乘法 6 * 4 24
    div 除法 8 div 4 2
    = 等于 age=19 如果age是19,则返回true。如果age是20,则返回false
    != 不等于 age!=19 如果age是18,则返回true。如果age是19,则返回false
    < 小于 age<19 如果age是18,则返回true。如果age是19,则返回false
    <= 小于或等于 age<=19 如果age是19,则返回true。如果age是20,则返回false
    > 大于 age>19 如果age是20,则返回true。如果age是19,则返回false
    >= 大于或等于 age>=19 如果age是19,则返回true。如果age是18,则返回false

    按序选择

    有时候,我们在选择的时候某些属性可能同时匹配了多个节点,但是只想要其中的某个节点,如第二个节点或者最后一个节点,这时该怎么办呢?
    这时可以利用中括号传入索引的方法获取特定次序的节点,示例如下:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    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)

    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。

    1
    html.xpath('//li[1]/a/text()')
    1
    ['first item']

    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。

    1
    html.xpath('//li[last()]/a/text()')
    1
    ['fifth item']

    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。

    1
    html.xpath('//li[position()<3]/a/text()')
    1
    ['first item', 'second item']

    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。

    1
    html.xpath('//li[last()-2]/a/text()')
    1
    ['third item']

    如果想查询更多XPath的用法,可以查看:http://www.w3school.com.cn/xpath/index.asp。

    如果想查询更多Python lxml库的用法,可以查看http://lxml.de/。


  • 相关阅读:
    selenium执行js代码的两个方法
    PostgresSQL数据库安装及操作
    [Python]requests使用代理
    linux下postgreSQL初始化设置方法
    如何用Jenkins自动化部署项目(教程,从零到搭建完成)
    Python笔记:Geopython GIS相关库
    Postman接口&压力测试
    python+django+vue实现前后端分离项目和部署的操作
    python-Django-1.8.2中文文档
    CSS详细解读定位
  • 原文地址:https://www.cnblogs.com/lijianming180/p/12037702.html
Copyright © 2011-2022 走看看