Python爬虫杂记 - Xpath高级用法
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python爬虫杂记 - Xpath高级用法相关的知识，希望对你有一定的参考价值。
参考技术A注： 以上内容， 除标注外， 均返回列表！！
`总注： 在平常的xpath的使用中， 前8项的内容已基本够用， 使用时也应该使用简洁、易读、高效的匹配式。其余两项定位在较难的地方备选使用。切不可以为了追求高逼格， 刻意使用难懂难写低效的匹配式。人生苦短...``
爬虫Xpath高级用法
xpath速度比较快，是爬虫在网页定位中的较优选择，但是很多网页前端代码混乱难以定位，而学习定位也较为不易（主要是全面的教程较少），这里列出一点编程过程中可能有用的东西，欢迎共同学习批评指正。
试验环境：Python环境，lxml.etree
- 试验所使用的html代码
<!DOCTYPE html>
<html>
<head>
<title>xpath test</title>
</head>
<body>
<div price="99.8">
<div>
<ul>
<li>时间</li>
<li>地点</li>
<li>任务</li>
</ul>
</div>
<div id=‘testid‘ data-h="first">
<h2>这里是个小标题</h2>
<ol>
<li data="one">1</li>
<li data="two">2</li>
<li data="three">3</li>
</ol>
<ul>
<li code="84">84</li>
<li code="104">104</li>
<li code="223">223</li>
</ul>
</div>
<div>
<h3>这里是H3的内容
<a href="http://www.baidu.com">百度一下</a>
<ul>
<li>test1</li>
<li>test2</li>
</ul>
</h3>
</div>
<div id="go">
<ul>
<li>1</li>
<li>2</li>
<li>3</li>
<li>4</li>
<li>5</li>
<li>6</li>
<li>7</li>
<li>8</li>
<li>9</li>
<li>10</li>
</ul>
</div>
</div>
</body>
</html>
1、匹配某节点下的所有.//
//获取文档中所有匹配的节点，.获取当前节点，有的时候我们需要获取当前节点下的所有节点，.//一定要结合.使用//，否则都会获取整个文档的匹配结果.
2、匹配包含某属性的所有的属性值//@lang
print tree.xpath(‘//@code‘) #匹配所有带有code属性的属性值
>>[‘84‘, ‘104‘, ‘223‘]
3、选取若干路径|
这个符号用于在一个xpath中写多个表达式用，用|分开，每个表达式互不干扰
print tree.xpath(‘//div[@id="testid"]/h2/text() | //li[@data]/text()‘) #多个匹配条件
>>[u‘\u8fd9\u91cc\u662f\u4e2a\u5c0f\u6807\u9898‘, ‘1‘, ‘2‘, ‘3‘]
4、 Axes（轴）
- child：选取当前节点的所有子元素
>>print tree.xpath(‘//div[@id="testid"]/child::ul/li/text()‘) #child子节点定位
>>[‘84‘, ‘104‘, ‘223‘]
>>print tree.xpath(‘//div[@id="testid"]/child::*‘) #child::*当前节点的所有子元素
>>[<Element h2 at 0x21bd148>, <Element ol at 0x21bd108>, <Element ul at 0x21bd0c8>]
>>#定位某节点下为ol的子节点下的所有节点
>>print tree.xpath(‘//div[@id="testid"]/child::ol/child::*/text()‘)
>>[‘1‘, ‘2‘, ‘3‘]
- attribute：选取当前节点的所有属性
>>print tree.xpath(‘//div/attribute::id‘) #attribute定位id属性值
>>[‘testid‘, ‘go‘]
>>print tree.xpath(‘//div[@id="testid"]/attribute::*‘) #定位当前节点的所有属性
>>[‘testid‘, ‘first‘]
- ancestor：父辈元素 / ancestor-or-self：父辈元素及当前元素
>>print tree.xpath(‘//div[@id="testid"]/ancestor::div/@price‘) #定位父辈div元素的price属性
>>[‘99.8‘]
>>print tree.xpath(‘//div[@id="testid"]/ancestor::div‘) #所有父辈div元素
>>print tree.xpath(‘//div[@id="testid"]/ancestor-or-self::div‘) #所有父辈及当前节点div元素
>>[<Element div at 0x23fc108>]
>>[<Element div at 0x23fc108>, <Element div at 0x23fc0c8>]
- descendant：后代 / descendant-or-self：后代及当前节点本身
使用方法同上
- following :选取文档中当前节点的结束标签之后的所有节点
#定位testid之后不包含id属性的div标签下所有的li中第一个li的text属性
>>print tree.xpath(‘//div[@id="testid"]/following::div[not(@id)]/.//li[1]/text()‘)
>>[‘test1‘]
- namespace：选取当前节点的所有命名空间节点
>>print tree.xpath(‘//div[@id="testid"]/namespace::*‘) #选取命名空间节点
>>[(‘xml‘, ‘http://www.w3.org/XML/1998/namespace‘)]
- parent：选取当前节点的父节点
>>#选取data值为one的父节点的子节点中最后一个节点的值
>>print tree.xpath(‘//li[@data="one"]/parent::ol/li[last()]/text()‘)
>>[‘3‘]
>>#注意这里的用法，parent::父节点的名字
- preceding：选取文档中当前节点的开始标签之前的所有节点
>>#记住是标签开始之前，同级前节点及其子节点
>>print tree.xpath(‘//div[@id="testid"]/preceding::div/ul/li[1]/text()‘)[0]
>>时间
>>#下面这两条可以看到其顺序是靠近testid节点的优先
>>print tree.xpath(‘//div[@id="testid"]/preceding::li[1]/text()‘)[0]
>>print tree.xpath(‘//div[@id="testid"]/preceding::li[3]/text()‘)[0]
>>任务
>>时间
- preceding-sibling：选取当前节点之前的所有同级节点
>>#记住只能是同级节点
>>print tree.xpath(‘//div[@id="testid"]/preceding-sibling::div/ul/li[2]/text()‘)[0]
>>print tree.xpath(‘//div[@id="testid"]/preceding-sibling::li‘) #这里返回的就是空的了
>>地点
>>[]
- self：选取当前节点
>>#选取带id属性值的div中包含data-h属性的标签的所有属性值
>>print tree.xpath(‘//div[@id]/self::div[@data-h]/attribute::*‘)
>>[‘testid‘, ‘first‘]
- 组合拳
#定位id值为testid下的ol下的li属性值data为two的父元素ol的兄弟前节点h2的text值
>>print tree.xpath(‘//*[@id="testid"]/ol/li[@data="two"]/parent::ol/preceding-sibling::h2/text()‘)[0]
>>这里是个小标题
5、position定位
>>print tree.xpath(‘//*[@id="testid"]/ol/li[position()=2]/text()‘)[0]
>>2
6、条件
>>定位所有h2标签中text值为`这里是个小标题`
>>print tree.xpath(u‘//h2[text()="这里是个小标题"]/text()‘)[0]
>>这里是个小标题
7、函数
- count：统计
>>print tree.xpath(‘count(//li[@data])‘) #节点统计
>>3.0
- concat：字符串连接
>>print tree.xpath(‘concat(//li[@data="one"]/text(),//li[@data="three"]/text())‘)
>>13
- string：解析当前节点下的字符
>>#string只能解析匹配到的第一个节点下的值，也就是作用于list时只匹配第一个
>>print tree.xpath(‘string(//li)‘)
>>时间
- local-name：解析节点名称
>>print tree.xpath(‘local-name(//*[@id="testid"])‘) #local-name解析节点名称
>>div
- contains(string1,string2)：如果 string1 包含 string2，则返回 true，否则返回 false
>>tree.xpath(‘//h3[contains(text(),"H3")]/a/text()‘)[0] #使用字符内容来辅助定位
>>百度一下
>>一记组合拳
>>#匹配带有href属性的a标签的先辈节点中的div，其兄弟节点中前一个div节点下ul下li中text属性包含“务”字的节点的值
>>print tree.xpath(u‘//a[@href]/ancestor::div/preceding::div/ul/li[contains(text(),"务")]/text()‘)[0]
>>任务
- not：布尔值（否）
>>print tree.xpath(‘count(//li[not(@data)])‘) #不包含data属性的li标签统计
>>18.0
- string-length：返回指定字符串的长度
>>#string-length函数+local-name函数定位节点名长度小于2的元素
>>print tree.xpath(‘//*[string-length(local-name())<2]/text()‘)[0]
>>百度一下
- 组合拳2
>>#contains函数+local-name函数定位节点名包含di的元素
>>print tree.xpath(‘//div[@id="testid"]/following::div[contains(local-name(),"di")]‘)
>>[<Element div at 0x225e108>, <Element div at 0x225e0c8>]
- or：多条件匹配
>>print tree.xpath(‘//li[@data="one" or @code="84"]/text()‘) #or匹配多个条件
>>[‘1‘, ‘84‘]
>>#也可使用|
>>print tree.xpath(‘//li[@data="one"]/text() | //li[@code="84"]/text()‘) #|匹配多个条件
>>[‘1‘, ‘84‘]
- 组合拳3：floor + div除法 + ceiling
>>#position定位+last+div除法，选取中间两个
>>tree.xpath(‘//div[@id="go"]/ul/li[position()=floor(last() div 2+0.5) or position()=ceiling(last() div 2+0.5)]/text()‘)
>>[‘5‘, ‘6‘]
- 组合拳4隔行定位：position+mod取余
>>#position+取余运算隔行定位
>>tree.xpath(‘//div[@id="go"]/ul/li[position()=((position() mod 2)=0)]/text()‘)
- starts-with：以。。开始
>>#starts-with定位属性值以8开头的li元素
>>print tree.xpath(‘//li[starts-with(@code,"8")]/text()‘)[0]
>>84
- div：对某两个节点的属性值做除法
>>print tree.xpath(‘//div[@id="testid"]/ul/li[3]/@code div //div[@id="testid"]/ul/li[1]/@code‘)
>>2.65476190476
- 组合拳4：根据节点下的某一节点数量定位
>>#选取所有ul下li节点数大于5的ul节点
>>print tree.xpath(‘//ul[count(li)>5]/li/text()‘)
>>[‘1‘, ‘2‘, ‘3‘, ‘4‘, ‘5‘, ‘6‘, ‘7‘, ‘8‘, ‘9‘, ‘10‘]
9、将对象还原为字符串
>>> s = tree.xpath(‘//*[@id="testid"]‘)[0] #使用xpath定位一个节点
>>> s
<Element div at 0x2b6ffc8>
>>> s2 = etree.tostring(s) #还原这个对象为html字符串
>>> s2
‘<div id="testid">\n\t\t<h2>ÕâÀïÊǸöС±êÌâ</h2>\n\t\t<ol>\n\t\t\t<li data="one">1</li>\n\t\t\t<li data="two">2</li>\n\t\t\t<li data="three">3</li>\n\t\t</ol>\n\t\t<ul>\n\t\t\t<li code="84">84</li>\n\t\t\t<li code="104">104</li>\n\t\t\t<li code="223">223</li>\n\t\t</ul>\n\t</div>\n\t‘
10、选取一个属性中的多个值
举例：<div class="mp-city-list-container mp-privince-city" mp-role="provinceCityList">
选择这个div的方案网上有说用and的，但是似乎只能针对不同的属性的单个值
本次使用contains
>>.xpath(‘div[contains(@class,"mp-city-list-container mp-privince-city")]‘)
>>当然也可以直接选取其属性的第二个值
>>.xpath(‘div[contains(@class,"mp-privince-city")]‘)
>>重点是class需要添加一个@符号
本次验证否定了网上的and，使用了contains,验证环境在scrapy的response.xpath下
说明一点，xpath虽快，但是使用时尽量使用简洁高效的方式，本文旨在定位那些较难的地方使用，刻意追求晦涩难懂的技巧会影响其效率，并不可取。
以上是关于Python爬虫杂记 - Xpath高级用法的主要内容，如果未能解决你的问题，请参考以下文章