十XPath与lxml类库

Posted 2020-12-05 nuochengze

1、XML语言

　　（1）XML指可扩展标记语言（EXtensible Markup Language）

　　（2）XML是一中标记语言，类似于html

　　（3）XML的设计宗旨是传输数据，而非显示数据

　　（4）XML的标签需要我们自行定义

　　（5）XML被设计为具有自我描述性

　　（6）XML是W3C的推荐标准

　　官方文档：https://www.w3school.com.cn/xml/index.asp

2、XML和HTML的区别

数据格式	描述	设计目标
XML	Extensible Markup Language （可扩展标记语言）	被设计为传输和存储数据，其焦点是数据的内容。
HTML	HyperText Markup Language （超文本标记语言）	显示数据以及如何更好显示数据。
HTML DOM	Document Object Model for HTML (文档对象模型)	通过 HTML DOM，可以访问所有的 HTML 元素，连同它们所包含的文本和属性。可以对其中的内容进行修改和删除，同时也可以创建新的元素。

3、HTML DOM模型

　　HTML DOM定义了访问和操作HTML文档的标准方法，以树结构方式表达HTML文档。

　　　　

 

4、XML的节点关系

　　4.1 父（Parent）

　　　　每个元素以及属性都有一个父

<?xml version="1.0" encoding="utf-8"?>

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

　　　　book元素是title、author、year以及price元素的父。

　　4.2 子（Children）

　　　　元素节点可有零个、一个或多个子

　　　　title、author、year以及price元素都是book元素的子。

　　4.3 同胞（Sibling）

　　　　拥有相同的父的节点

　　　　title、author、year和price元素都是同胞

　　4.4 先辈（Ancestor）

　　　　某节点的父、父的父等

<?xml version="1.0" encoding="utf-8"?>

<bookstore>

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

</bookstore>

　　　　title元素的先辈是book元素和bookstore元素

　　4.5 后代（Descendant）

　　　　某个节点的子，子的子等

　　　　bookstore的后代是book、title、author、year以及price元素

5、XPath

　　XPath(XML Path Language)是一门在XML文档中查找信息的语言，可用来在XML文档中对元素和属性进行遍历。

　　XPath的官方文档：https://www.w3school.com.cn/xpath/index.asp

6、XPath开发工具

　　（1）开源的XPath表达式编辑工具：XMLQuire(XML格式文件可用)

　　（2）Chrome插件XPath Helper

　　（3）Firefox插件XPath Checker

7、选取节点

　　XPath使用路径表达式来选取XML文档中的节点或者节点集。

　　7.1 最常用的路径表达式

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

　　　　路径表达式以及表达式的结果：

　　　　`bookstore`　　选取bookstore元素的所有子节点

　　　　`/bookstore`　　选取根元素bookstore。注释：假如路径起始于正斜杠（/），则此路径始终代表到某元素的绝对路径。

　　　　`bookstore/book`　　选取属于bookstore的子元素的所有book元素

　　　　`//book`　　选取所有book子元素,而不管它们在文档中的位置

　　　　`bookstore//book`　　选择属于bookstore元素的后代的所有book元素，而不管它们位于bookstore之下的什么位置

　　　　`//@lang`　　选取名为lang的所有属性

　　7.2 谓语（Predicates） 

　　　　谓语用来查找某个特定的节点或者包含某个指定的值的节点，被嵌在方括号中。

　　　　路径表达式以及表达式的结果：

　　　　`/bookstore/book[1]`　　选取属于bookstore子元素的第一个book元素

　　　　`/bookstore/book[last()]`　　选取属于bookstore子元素的最后一个book元素

　　　　`/bookstore/book[last()-1]`　　选取属于bookstore子元素的倒数第二个book元素

　　　　`/bookstore/book[position()<3]`　　选取最前面的两个属于bookstore元素的子元素的book元素　　　　　　　　

　　　　`//title[@lang=‘eng‘]`　　选取所有title元素，且这些元素拥有值为eng的lang属性

　　　　`//title[@lang]`　　选取所有拥有名为lang的属性的title元素

　　　　`/bookstore/book[price>35.00]`　　选取bookstore元素的所有book元素，且其中的price元素的值必须大于35.00

　　　　`/bookstore/book[price>35.00]/title`　　选取bookstore元素的所有book元素中的，price元素值大于35的条件下，book元素中的title元素。

　　7.3 选取未知节点

　　　　XPath通配符可以用来选取位置的XML元素。

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

　　　　路径表达式以及表达式的结果：

　　　　`/bookstore/*`　　选取bookstore元素的所有子元素

　　　　`//*`　　选取文档中的所有元素

　　　　`html/node()/meta/@*`　　选取html下面任意节点下的meta节点的所有属性

　　　　`//title[@*]`　　选取所有带有属性的title元素

　　7.4 选取若干路径

　　　　通过在路径表达式中使用"|"运算符，可以选取若干个路径。

　　　　`//book/title | //book/price`　　选取book元素的所有title和price元素

　　　　`//title | //price`　　选取文档中的所有title和price元素

　　　　`/bookstore/book/title | //price`　　选取属于bookstore元素的book元素的所有title元素，以及文档中所有的price元素

　　7.5 XPath的运算符

　　　　

 

 

 8、lxml库

　　lxml是一个HTML/XML的解析器，主要的功能是如何解析和提取HTML/XML数据。

　　lxml和正则一样，也是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，可以利用之前的XPath语法，来快速的定位特定元素以及节点信息。

　　lxml python的官方文档：https://lxml.de/index.html

　　安装：`pip install lxml`

from lxml import etree
from pprint import pprint

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></li>
 </div>
"""

# 利用etree.HTML,将字符串解析为HTML文档
html = etree.HTML(text)

# 将字符串序列化为HTML文档
result = etree.tostring(html)

# print(result.decode())

# 利用etree.parse()来读取外部文件
html = etree.parse("./hello.html")
result = etree.tostring(html,pretty_print=True)

# print(result.decode())

print(type(html))
#   <class ‘lxml.etree._ElementTree‘>
ret = html.xpath("//li")
print(ret)
print(len(ret))
print(type(ret))
print(type(ret[0]))
#[<Element li at 0x7f58af103348>, <Element li at 0x7f58af103388>, <Element li at 0x7f58af1033c8>, <Element li at 0x7f58af103408>, <Element li at 0x7f58af103448>]
#5
#<class ‘list‘ >
#<class ‘lxml.etree._Element‘ >