xpath的使用
Posted hankleo
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xpath的使用相关的知识,希望对你有一定的参考价值。
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。
1. XPath概览
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。
XPath于1999年11月16日成为W3C标准,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/。
2. XPath常用规则
表4-1列举了XPath的几个常用规则。
表4-1 XPath常用规则
表达式 |
描述 |
---|---|
|
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 |
这里列出了XPath的常用匹配规则,示例如下:
//title[@lang=‘eng‘]
这就是一个XPath规则,它代表选择所有名称为title
,同时属性lang
的值为eng
的节点。
后面会通过Python的lxml库,利用XPath进行HTML的解析。
3. 准备工作
使用之前,首先要确保安装好lxml库,若没有安装,可以参考第1章的安装过程。
4. 实例引入
现在通过实例来感受一下使用XPath来对网页进行解析的过程,相关代码如下:
from lxml import etree 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) result = etree.tostring(html) print(result.decode(‘utf-8‘))
这里首先导入lxml库的etree模块,然后声明了一段HTML文本,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。
这里我们调用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,结果如下:
<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>
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。
另外,也可以直接读取文本文件进行解析,示例如下:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = etree.tostring(html) print(result.decode(‘utf-8‘))
其中test.html的内容就是上面例子中的HTML代码,内容如下:
<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>
这次的输出结果略有不同,多了一个DOCTYPE
的声明,不过对解析无任何影响,结果如下:
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd"> <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>
5. 所有节点
我们一般会用//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:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//*‘) print(result)
运行结果如下:
[<Element html at 0x10510d9c8>, <Element body at 0x10510da08>, <Element div at 0x10510da48>, <Element ul at 0x10510da88>, <Element li at 0x10510dac8>, <Element a at 0x10510db48>, <Element li at 0x10510db88>, <Element a at 0x10510dbc8>, <Element li at 0x10510dc08>, <Element a at 0x10510db08>, <Element li at 0x10510dc48>, <Element a at 0x10510dc88>, <Element li at 0x10510dcc8>, <Element a at 0x10510dd08>]
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。
当然,此处匹配也可以指定节点名称。如果想获取所有li
节点,示例如下:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//li‘) print(result) print(result[0])
这里要选取所有li
节点,可以使用//
,然后直接加上节点名称即可,调用时直接使用xpath()
方法即可。
运行结果:
[<Element li at 0x105849208>, <Element li at 0x105849248>, <Element li at 0x105849288>, <Element li at 0x1058492c8>, <Element li at 0x105849308>]
<Element li at 0x105849208>
这里可以看到提取结果是一个列表形式,其中每个元素都是一个 Element
对象。如果要取出其中一个对象,可以直接用中括号加索引,如[0]
。
6. 子节点
我们通过/
或//
即可查找元素的子节点或子孙节点。假如现在想选择li
节点的所有直接a
子节点,可以这样实现:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//li/a‘) print(result)
这里通过追加/a
即选择了所有li
节点的所有直接a
子节点。因为//li
用于选中所有li
节点,/a
用于选中li
节点的所有直接子节点a
,二者组合在一起即获取所有li
节点的所有直接a
子节点。
运行结果如下:
[<Element a at 0x106ee8688>, <Element a at 0x106ee86c8>, <Element a at 0x106ee8708>, <Element a at 0x106ee8748>, <Element a at 0x106ee8788>]
此处的/
用于选取直接子节点,如果要获取所有子孙节点,就可以使用//
。例如,要获取ul
节点下的所有子孙a
节点,可以这样实现:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//ul//a‘) print(result)
运行结果是相同的。
但是如果这里用//ul/a
,就无法获取任何结果了。因为/
用于获取直接子节点,而在ul
节点下没有直接的a
子节点,只有li
节点,所以无法获取任何匹配结果,代码如下:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//ul/a‘) print(result)
运行结果如下:
[]
因此,这里我们要注意/
和//
的区别,其中/
用于获取直接子节点,//
用于获取子孙节点。
7. 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:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//a[@href="link4.html"]/../@class‘) print(result)
运行结果如下:
[‘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:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//a[@href="link4.html"]/parent::*/@class‘) print(result)
8. 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:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//li[@class="item-0"]‘) print(result)
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。结果如下:
[<Element li at 0x10a399288>, <Element li at 0x10a3992c8>]
可见,匹配结果正是两个,至于是不是那正确的两个,后面再验证。
9. 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,相关代码如下:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//li[@class="item-0"]/text()‘) print(result)
运行结果如下:
[‘ ‘]
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:
<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:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//li[@class="item-0"]/a/text()‘) print(result)
运行结果如下:
[‘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:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//li[@class="item-0"]//text()‘) print(result)
运行结果如下:
[‘first item‘, ‘fifth item‘, ‘ ‘]
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。
10. 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:
from lxml import etree html = etree.parse(‘./test.html‘, etree.HTMLParser()) result = html.xpath(‘//li/a/@href‘) print(result)
这里我们通过@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。
运行结果如下:
[‘link1.html‘, ‘link2.html‘, ‘link3.html‘, ‘link4.html‘, ‘link5.html‘]
可以看到,我们成功获取了所有li
节点下a
节点的href
属性,它们以列表形式返回。
11. 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:
from lxml import etree text = ‘‘‘ <li class="li li-first"><a href="link.html">first item</a></li> ‘‘‘ html = etree.HTML(text) result = html.xpath(‘//li[@class="li"]/a/text()‘) print(result)
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:
[]
这时就需要用contains()
函数了,代码可以改写如下:
from lxml import etree text = ‘‘‘ <li class="li li-first"><a href="link.html">first item</a></li> ‘‘‘ html = etree.HTML(text) result = html.xpath(‘//li[contains(@class, "li")]/a/text()‘) print(result)
这样通过contains()
方法,第一个参数传入属性名称,第二个参数传入属性值,只要此属性包含所传入的属性值,就可以完成匹配了。
此时运行结果如下:
[‘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。
12. 多属性匹配
另外,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:
from lxml import etree text = ‘‘‘ <li class="li li-first" name="item"><a href="link.html">first item</a></li> ‘‘‘ html = etree.HTML(text) result = html.xpath(‘//li[contains(@class, "li") and @name="item"]/a/text()‘) print(result)
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:
[‘first item‘]
这里的and
其实是XPath中的运算符。另外,还有很多运算符,如or
、mod
等,在此总结为表4-2。
表4-2 运算符及其介绍
运算符 |
描述 |
实例 |
返回值 |
---|---|---|---|
|
或 |
|
如果 |
|
与 |
|
如果 |
|
计算除法的余数 |
|
1 |
|
计算两个节点集 |
|
返回所有拥有 |
|
加法 |
|
10 |
|
减法 |
|
2 |
|
乘法 |
|
24 |
|
除法 |
|
2 |
|
等于 |
|
如果 |
|
不等于 |
|
如果 |
|
小于 |
|
如果 |
|
小于或等于 |
|
如果 |
|
大于 |
|
如果 |
|
大于或等于 |
|
如果 |
此表参考来源:http://www.w3school.com.cn/xpath/xpath_operators.asp。
13. 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:
from lxml import etree 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) result = html.xpath(‘//li[1]/a/text()‘) print(result) result = html.xpath(‘//li[last()]/a/text()‘) print(result) result = html.xpath(‘//li[position()<3]/a/text()‘) print(result) result = html.xpath(‘//li[last()-2]/a/text()‘) print(result)
第一次选择时,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。
第二次选择时,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。
第三次选择时,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。
第四次选择时,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。
运行结果如下:
[‘first item‘] [‘fifth item‘] [‘first item‘, ‘second item‘] [‘third item‘]
这里我们使用了last()
、position()
等函数。在XPath中,提供了100多个函数,包括存取、数值、字符串、逻辑、节点、序列等处理功能,它们的具体作用可以参考:http://www.w3school.com.cn/xpath/xpath_functions.asp。
14. 节点轴选择
XPath提供了很多节点轴选择方法,包括获取子元素、兄弟元素、父元素、祖先元素等,示例如下:
from lxml import etree text = ‘‘‘ <div> <ul> <li class="item-0"><a href="link1.html"><span>first item</span></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) result = html.xpath(‘//li[1]/ancestor::*‘) print(result) result = html.xpath(‘//li[1]/ancestor::div‘) print(result) result = html.xpath(‘//li[1]/attribute::*‘) print(result) result = html.xpath(‘//li[1]/child::a[@href="link1.html"]‘) print(result) result = html.xpath(‘//li[1]/descendant::span‘) print(result) result = html.xpath(‘//li[1]/following::*[2]‘) print(result) result = html.xpath(‘//li[1]/following-sibling::*‘)<code class="lang-python"> <span class="kwd">print</span><span class="pun">(</span><span class="pln">result</span><span class="pun">)</span>
运行结果如下:
[<Element html at 0x107941808>, <Element body at 0x1079418c8>, <Element div at 0x107941908>, <Element ul at 0x107941948>] [<Element div at 0x107941908>] [‘item-0‘] [<Element a at 0x1079418c8>] [<Element span at 0x107941948>] [<Element a at 0x1079418c8>] [<Element li at 0x107941948>, <Element li at 0x107941988>, <Element li at 0x1079419c8>, <Element li at 0x107941a08>]
第一次选择时,我们调用了ancestor
轴,可以获取所有祖先节点。其后需要跟两个冒号,然后是节点的选择器,这里我们直接使用*,表示匹配所有节点,因此返回结果是第一个li
节点的所有祖先节点,包括html
、body
、div
和ul
。
第二次选择时,我们又加了限定条件,这次在冒号后面加了div
,这样得到的结果就只有div
这个祖先节点了。
第三次选择时,我们调用了attribute
轴,可以获取所有属性值,其后跟的选择器还是*,这代表获取节点的所有属性,返回值就是li
节点的所有属性值。
第四次选择时,我们调用了child
轴,可以获取所有直接子节点。这里我们又加了限定条件,选取href
属性为link1.html
的a
节点。
第五次选择时,我们调用了descendant
轴,可以获取所有子孙节点。这里我们又加了限定条件获取span
节点,所以返回的结果只包含span
节点而不包含a
节点。
第六次选择时,我们调用了following
轴,可以获取当前节点之后的所有节点。这里我们虽然使用的是*匹配,但又加了索引选择,所以只获取了第二个后续节点。
第七次选择时,我们调用了following-sibling
轴,可以获取当前节点之后的所有同级节点。这里我们使用*匹配,所以获取了所有后续同级节点。
以上是XPath轴的简单用法,更多轴的用法可以参考:http://www.w3school.com.cn/xpath/xpath_axes.asp。
15. 结语
到现在为止,我们基本上把可能用到的XPath选择器介绍完了。XPath功能非常强大,内置函数非常多,熟练使用之后,可以大大提升HTML信息的提取效率。
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/。
来源于 静觅 ? [Python3网络爬虫开发实战] 4.1-使用XPath
以上是关于xpath的使用的主要内容,如果未能解决你的问题,请参考以下文章
在 perl 中使用 XPath 读取 Mac Plist 布尔值