参考来源
lxml用法源自 lxml python 官方文档,更多内容请直接参阅官方文档,本文对其进行翻译与整理。
XPath语法参考 w3school
安装
利用 pip 安装即可
XPath语法
XPath 是一门在 XML 文档中查找信息的语言
。XPath 可用来在 XML 文档中
对元素和属性进行遍历
。XPath 是 W3C XSLT 标准的主要元素,并且 XQuery 和 XPointer 都构建于 XPath 表达之上。
节点关系
(1)父(Parent)
每个元素以及属性都有一个父
。
在下面的例子中,book 元素是 title、author、year 以及 price 元素的父:
1
2
3
4
5
6
|
<
book
>
<
title
>
Harry
Potter
</
title
>
<
author
>
J
K
.
Rowling
</
author
>
<
year
>
2005
</
year
>
<
price
>
29.99
</
price
>
</
book
>
|
(2)子(Children)
元素节点可有零个、一个或多个子。
在下面的例子中,title、author、year 以及 price 元素
都是 book 元素的子:
1
2
3
4
5
6
|
<
book
>
<
title
>
Harry
Potter
</
title
>
<
author
>
J
K
.
Rowling
</
author
>
<
year
>
2005
</
year
>
<
price
>
29.99
</
price
>
</
book
>
|
(3)同胞(Sibling)
拥有相同的父的节点
在下面的例子中,title、author、year 以及 price 元素都是同胞:
1
2
3
4
5
6
|
<
book
>
<
title
>
Harry
Potter
</
title
>
<
author
>
J
K
.
Rowling
</
author
>
<
year
>
2005
</
year
>
<
price
>
29.99
</
price
>
</
book
>
|
(4)先辈(Ancestor)
某节点的父、父的父,
等等。
在下面的例子中,
title 元素的先辈是 book 元素和 bookstore 元
素:
1
2
3
4
5
6
7
8
9
10
|
<
bookstore
>
<
book
>
<
title
>
Harry
Potter
</
title
>
<
author
>
J
K
.
Rowling
</
author
>
<
year
>
2005
</
year
>
<
price
>
29.99
</
price
>
</
book
>
</
bookstore
>
|
(5)
后代(Descendant)
某个节点的子,子的子,等等。
在下面的例子中,bookstore 的后代是 book、title、author、year 以及 price 元素:
1
2
3
4
5
6
7
8
9
10
|
<
bookstore
>
<
book
>
<
title
>
Harry
Potter
</
title
>
<
author
>
J
K
.
Rowling
</
author
>
<
year
>
2005
</
year
>
<
price
>
29.99
</
price
>
</
book
>
</
bookstore
>
|
选取节点
XPath 使
用路径表达式
在 XML 文档中
选取节点
。
节点是
通过
沿着路径或者 step
来选取的。
下面列出了
最有用的路径表达式
:
把节点理解成html的标签
表达式
|
描述
|
nodename(节点名)
|
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
。
|
实例
在下面的表格中,我们已列出了一些
路径表达式
以及
表达式的结果
:
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 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。
|
<
bookstore
>
<
book
>
<
title
>
Harry
Potter
</
title
>
<
author
>
J
K
.
Rowling
</
author
>
<
year
>
2005
</
year
>
<
price
>
29.99
</
price
>
</
book
>
</
bookstore
>
|
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
。
谓语
被嵌在方括号中
。
实例
在下面的表格中,我们列出了带有谓语的一些路径表达式,以及表达式的结果:
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。
|
选取未知节点
XPath
通配符
可用来选取
未知的 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。
|
实例
在下面的表格中,我们列出了一些路径表达式,以及这些表达式的结果:
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。
|
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。
实例
在下面的表格中,我们列出了一些路径表达式,以及这些表达式的结果:
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。
|
XPath 运算符
下面列出了可用在 XPath 表达式中的运算符:
运算符
|
描述
|
实例
|
返回值
|
|
|
计算两个节点集
|
//book | //cd
|
返回所有拥有 book 和 cd 元素的节点集
|
+
|
加法
|
6 + 4
|
10
|
–
|
减法
|
6 – 4
|
2
|
*
|
乘法
|
6 * 4
|
24
|
div
|
除法
|
8 div 4
|
2
|
=
|
等于
|
price=9.80
|
如果 price 是 9.80,则返回 true。如果 price 是 9.90,则返回 false。
|
!=
|
不等于
|
price!=9.80
|
如果 price 是 9.90,则返回 true。如果 price 是 9.80,则返回 false。
|
<
|
小于
|
price<9.80
|
如果 price 是 9.00,则返回 true。如果 price 是 9.90,则返回 false。
|
<=
|
小于或等于
|
price<=9.80
|
如果 price 是 9.00,则返回 true。如果 price 是 9.90,则返回 false。
|
>
|
大于
|
price>9.80
|
如果 price 是 9.90,则返回 true。如果 price 是 9.80,则返回 false。
|
>=
|
大于或等于
|
price>=9.80
|
如果 price 是 9.90,则返回 true。如果 price 是 9.70,则返回 false。
|
or
|
或
|
price=9.80 or price=9.70
|
如果 price 是 9.80,则返回 true。如果 price 是 9.50,则返回 false。
|
and
|
与
|
price>9.00 and price<9.90
|
如果 price 是 9.80,则返回 true。如果 price 是 8.50,则返回 false。
|
mod
|
计算除法的余数
|
5 mod 2
|
1
|
lxml用法
初步使用
首先我们利用它来
解析 HTML 代码
,先来一个小例子来感受一下它的基本用法。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
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
)
|
首先我们使用 lxml 的
etree 库
,然后利用
etree.HTML 初始化
,然后我们将其打印出来。
其中,这里体现了 lxml 的一个
非常实用的功能
就是
自动修正 html 代码
,大家应该注意到了,
最后一个 li 标签,其实我把尾标签删掉了,是不闭合的。
不过,lxml 因为继承了 libxml2 的特性,
具有自动修正 HTML 代码的功能。
所以输出结果是这样的
1
2
3
4
5
6
7
8
9
10
11
12
|
<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>
|
不仅补全了 li 标签,还添加了 body,html 标签。
文件读取
除了
直接读取字符串,
还支持
从文件读取内容
。比如我们新建一个文件叫做
hello.html
,内容为
1
2
3
4
5
6
7
8
9
|
<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></li>
</ul>
</div>
|
利用 parse 方法来读取文件。
1
2
3
4
|
from lxml import etree
html
=
etree
.
parse
(
'hello.html'
)
result
=
etree
.
tostring
(
html
,
pretty_print
=
True
)
print
(
result
)
|
同样可以得到相同的结果。
XPath实例测试
依然以上一段程序为例
(1)
获取所有的 <li> 标签
1
2
3
4
5
6
7
8
|
from
lxml
import
etree
html
=
etree
.
parse
(
'hello.html'
)
print
type
(
html
)
result
=
html
.
xpath
(
'//li'
)
print
result
print
len
(
result
)
print
type
(
result
)
print
type
(
result
[
0
])
|
运行结果
1
2
3
4
5
|
<
type
'lxml.etree._ElementTree'
>
[
<
Element li
at
0x1014e0e18
>
,
<
Element li
at
0x1014e0ef0
>
,
<
Element li
at
0x1014e0f38
>
,
<
Element li
at
0x1014e0f80
>
,
<
Element li
at
0x1014e0fc8
>
]
5
<
type
'list'
>
<
type
'lxml.etree._Element'
>
|
可见,etree.parse 的类型是 ElementTree,通过调用 xpath 以后,
得到了一个列表
,
包含了 5 个 <li> 元素,每个元素都是 Element 类型
(2)获取
<li> 标签
的
所有 class
1
2
|
result
=
html
.
xpath
(
'//li/@class'
)
print
result
|
运行结果
1
|
[
'item-0'
,
'item-1'
,
'item-inactive'
,
'item-1'
,
'item-0'
]
|
(3)获取
<li> 标签
下
href 为 link1.html 的 <a> 标签
1
2
|
result
=
html
.
xpath
(
'//li/a[@href="link1.html"]'
)
print
result
|
运行结果
1
|
[
<
Element
a
at
0x10ffaae18
>
]
|
(4)获取 <li> 标签下的
所有 <span> 标签
注意这么写是不对的
1
|
result
=
html
.
xpath
(
'//li/span'
)
|
因为
/ 是用来获取子元素的
,而
<span> 并不是 <li> 的子元素,所以,要用双斜杠
1
2
|
result
=
html
.
xpath
(
'//li//span'
)
print
result
|
运行结果
1
|
[
<
Element span
at
0x10d698e18
>
]
|
(5)获取 <li> 标签下的
所有 class,不包括 <li>
1
2
|
result
=
html
.
xpath
(
'//li/a//@class'
)
print
result
|
运行结果
(6)获取
最后一个 <li> 的 <a> 的 href
1
2
|
result
=
html
.
xpath
(
'//li
[last()]
/a/@href'
)
print
result
|
运行结果
(7)获取
倒数第二个元素
的
内容
1
2
|
result
=
html
.
xpath
(
'//li[
last()-1]
/a'
)
print
result
[
0
].
text
|
运行结果
(8)获取
class 为 bold
的
标签名
1
2
|
result
=
html
.
xpath
(
'//*[@class="bold"]'
)
print
result
[
0
].
tag
|
运行结果
通过以上实例的练习,相信大家对 XPath 的基本用法有了基本的了解。也可以利用 text 方法来获取元素的内容。
大家多加练习!
结语
XPath 是一个非常好用的解析方法,同时也作为爬虫学习的基础,在后面的 selenium 以及 scrapy 框架中都会涉及到这部分知识,希望大家可以把它的语法掌握清楚,为后面的深入研究做好铺垫。