xpath语法及使用
XPath是一门在XML文档中查找信息的语言,在网络爬虫应用中十分常用,我们经常用Xpath表达式在网页脚本中过滤提取需要的关键信息,而且Xpath是一门通用的标准语言,除了在python中使用,在其他语言中也有相应的类库可以使用,例如C#中的HtmlAgilityPack库,所以比较通用,我一般写爬虫提取数据都喜欢用XPath,通用好改,毕竟有时候原始数据的格式会经常变化。
一、xpath常用语法汇总
我们先拿官方的实例来说明一下Xpath语法,官方是一个XML的实例,其实HTML也是XML的一种扩展,他们的用法都是一样的,语法都是通用的,将xml示例和语法表格中的描述一一对照就能理解语法,十分简单,所见即所得。
1.1 事例xml文档
<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
<book>
<title lang="eng">Harry Potter</title>
<price>29.99</price>
</book>
<book>
<title lang="eng">Learning XML</title>
<price>39.95</price>
</book>
</bookstore>
1.2 Xpath语法
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 |
1.3 语法实例
表达式 | 描述 |
---|---|
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。 |
1.4 谓语
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()❤️] | 选取最前面的两个属于 |
//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。 |
1.5 选取未知节点
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。 |
1.6 实例
路径表达式 | 描述 |
---|---|
/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。 |
1.7 选取若干路径
通过在路径表达式中使用“|”运算符,您可以选取若干个路径。
路径表达式 | 描述 |
---|---|
//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。 |
二、python中使用
在python中使用lxml来调用xpath,lxml不在标准库之内,需要使用pip来安装。使用起来很简单,经常用到的方法就那么几个。我们用一个常被举例的html实例文档来列出使用方法和场景。
htmlStr = """
<div>
<ul>
<li class="item-1"><a href="1.html">1 item</a></li>
<li class="item-2"><a href="2.html">2 item</a></li>
<li class="item-inactive"><a href="3.html">3 item</a></li>
<li class="item-4"><a href="4.html">4 item</a></li>
<li class="item-5"><a href="5.html">5 item</a>
</ul>
</div>
"""
# 加载并打印html
html = etree.HTML(htmlStr)
result = etree.tostring(html)
print(result.decode("utf-8"))
2.1 获取标签的值
两种方法,一种直接卸载xpath表达式里,另一种用lxml对象的text方法来获取。
html = etree.HTML(htmlStr)
html_data = html.xpath('/html/body/div/ul/li/a/text()')
print(html)
for s in html_data:
print(s)
html_data = html.xpath('/html/body/div/ul/li/a')
print(html)
for s in html_data:
print(s.text)
2.2 获取标签属性的值
本实例中获取a标签的href值
html = etree.HTML(htmlStr)
html_data = html.xpath('/html/body/div/ul/li/a/@href')
for s in html_data:
print(s)
2.3 使用相对路径
获取a标签的值
# 相对路径
html_data = html.xpath('//li/a/text()')
# 绝对路径
# html_data = html.xpath('/html/body/div/ul/li/a/text()')
print(html_data)
for s in html_data:
print(s)
2.4 查找标签,获取值
按照xpath的选择器语法,可以进行各种匹配查找所需要的标签及其值和标签内的属性。例如多属性匹配,按需选择,节点轴选择等等,只要符合xpath语法即可。
# 查找a类型的href属性为2.html的标签的值
html = etree.HTML(htmlStr)
html_data = html.xpath('/html/body/div/ul/li/a[@href="2.html"]/text()')
print(html_data[0])
# 选中href属性为4.html的a节点,然后再获取其父节点,然后再获取其class属性
result = html.xpath('//a[@href="4.html"]/../@class')
result = html.xpath('//a[@href="4.html"]/parent::*/@class')
# 多属性匹配
result = html.xpath('//li[contains(@class,"li") and @name="item"]/a/text()')
# 按序选择
result = html.xpath('//li[1]/a/text()')
result = html.xpath('//li[last()]/a/text()')
result = html.xpath('//li[position()<3]/a/text()') # 位置小于3的节点
result = html.xpath('//li[last()-2]/a/text()') # 倒数第三的节点
# 节点轴的选择
result = html.xpath('//li[1]/ancestor::*') # 获取第一个li节点的所有祖先节点
result = html.xpath('//li[1]/ancestor::div')
result = html.xpath('//li[1]/attribute::*') # 获取li节点的所有属性值
result = html.xpath('//li[1]/child::a[@hreg="4.html"]') # 子节点
result = html.xpath('//li[1]/descendant::span') #子孙节点
result = html.xpath('//li[1]/following::*[2]') #当前节点的第二个后续节点
result = html.xpath('//li[1]/following-sibling::*') # 当前节点之后的所有同级节点