python网络爬虫系列教程——python中lxml库应用全解（xpath表达式）

全栈工程师开发手册 （作者：栾鹏）
python教程全解

python网络爬虫lxml库的应用全解。

在线安装方法：cmd中输入"pip install lxml"

离线安装，下载lxml库点击下载

python库的安装请参考Python库的安装与卸载

xpath路径选择表达式

lxml库需要记住的主要是路径选择表达式。

语法规则

表达式						描述
nodename				选取此节点的所有子节点。
/						子元素。
//						后代元素。
.						选取当前节点。
..						选取当前节点的父节点。
@						选取属性（获取属性的值）。

举例：

路径表达式					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 后代元素，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（获取所有名为lang属性的值）。

谓语举例：

路径表达式							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]						选取所有拥有名为 lang 的属性的 title 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。
/bookstore/book[price>35.00]		选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

通配符：

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。

通配符举例：

路径表达式				结果
/bookstore/*			选取 bookstore 元素的所有子元素。
//*						选取文档中的所有元素。
//title[@*]				选取所有带有属性的 title 元素。

|或运算符举例：

路径表达式							结果
//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。

python2.7、python3.6中代码

# coding:utf-8
# 网络爬虫库lxml的应用
from lxml import etree

print(u'解析html（具有自动修复功能）')
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"><span class="bold">third item</span></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)

# 将字符串写入文件
fh = open('test.html', 'w')
fh.write(result.decode("utf8"))    #fh.write(result)
fh.close()

print(u'读取文件（要求html代码完整）')
html = etree.parse('test.html')   #只能解析本地html、xml文件
result = etree.tostring(html, pretty_print=True)
print(result)

print(u'获取所有的 <li> 标签')
html = etree.parse('test.html')  # 创建dom树
print(type(html))
result = html.xpath('//li')  # 获取元素列表
print(result)
print(len(result))  # 获取列表长度
print(type(result))
print(type(result[0]))  # 获取元素

result = html.xpath('//li/@class')  # 获取 <li> 标签的所有 class属性的值
print(result)

result = html.xpath('//li/a[@href="link1.html"]')  # 获取 <li> 标签下 href 为 link1.html 的 <a> 标签
print(result)

result = html.xpath('//li//span')  # 获取 <li> 标签下的所有后代元素 <span> 标签
print(result)

result = html.xpath('//li/span')  # 获取 <li> 标签下的所有子元素 <a> 标签
print(result)

result = html.xpath('//li/a//@class')  # 获取 <li> 标签下的所有a元素的后代 class
print(result)

result = html.xpath('//li[last()]/a/@href')  # 获取最后一个 <li> 下的 <a> 的 href属性
print(result)

result = html.xpath('//li[last()-1]/a')  # 获取倒数第二个li元素下的a元素列表
print(result[0].text)  # 打印输出元素文本

result = html.xpath('//*[@class="bold"]')  # 获取 class 为 bold 的标签名
print(result[0].tag)