Class 14 - 1 解析库 -- XPath

最新推荐文章于 2021-08-10 12:07:48 发布

angdingtun6231

最新推荐文章于 2021-08-10 12:07:48 发布

阅读量98

点赞数

文章标签： python

原文链接：http://www.cnblogs.com/Mack-Yang/p/10069066.html

版权

对于网页的节点来说，它可以定义 id 、class 或其他属性。而且节点之间还有层次关系，在网页中可以通过XPath 或 css 选择器来定位一个或多个节点。所以在页面解析时，利用 XPath 或 css 选择器来提取某个节点，然后再调用相应方法获取它的正文内容或者属性，也可以提取我们想要的任意信息。

XPath的使用

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，同样适用于 HTML 文档的搜索。

更多文档参考：https://www.w3.org/TR/xpath
XPath常用规则
- nodename：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
  - XPath的常用匹配规则，示例：
```
//title[@lang='eng']
```
    此XPath代表选择所有名称为title，同时属性lang的值为eng的节点。

XPath对网页解析代码：

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'))

首先导人 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，构造了一个 XPath 解析对象。注意： 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。
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。

<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>
</ul>
</div>
</body></html>

经过处理之后， li 节点标签被补全，并且还向动添加了 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，输出结果会多一个DOCTYPE声明，对解析无任何影响。

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。以前面的 HTML 文本为例，如果要选取所有节点：

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//*')
print(result)
输出：
[<Element html at 0x245a651e508>, <Element body at 0x245a651e608>, <Element p at 0x245a651e648>, <Element div at 0x245a651e688>, <Element ul at 0x245a651e6c8>, <Element li at 0x245a651e748>, <Element a at 0x245a651e788>, <Element li at 0x245a651e7c8>, <Element a at 0x245a651e808>, <Element li at 0x245a651e708>, <Element a at 0x245a651e848>, <Element li at 0x245a651e888>, <Element a at 0x245a651e8c8>, <Element li at 0x245a651e908>, <Element a at 0x245a651e948>]

这里使用＊代表匹配所有节点，整个 HTML 文本中的所有节点都会被获取。返回形式是一个列表，每个元素是 Element 类型，后面跟了节点名称，如 html、 body、 div 、 ul、 li 、a 等，所有节点都包含在列表中。

此处匹配也可以指定节点名称。如果想获取所有 li 节点，例：

from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])
输出：
[<Element li at 0x1e80856c608>, <Element li at 0x1e80856c648>, <Element li at 0x1e80856c688>, <Element li at 0x1e80856c6c8>, <Element li at 0x1e80856c708>]
<Element li at 0x1e80856c608>

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].

子节点
- 通过／或／／即可查找元素的子节点或子孙节点。如果现在想选择 li 节点的所有直接 a 子节点，例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a')
print(result)
输出：
[<Element a at 0x2af0834e608>, <Element a at 0x2af0834e648>, <Element a at 0x2af0834e688>, <Element a at 0x2af0834e6c8>, <Element a at 0x2af0834e708>]
```
  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。
  
  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)
```
  如果这里用／／ul闭，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。
  
  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。

父节点

连续的／或／／可以查找子节点或子孙节点，如果知道了子节点，查找父节点可以用．．来实现。　　

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，示例：

from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)
输出：
['item-1']

同时，我们也可以通过 parent ：：来获取父节点，示例：

from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')  #为何需要加*
print(result)

属性匹配
- 在选取的时候，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，例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)
输出：
[<Element li at 0x2675c1f5608>, <Element li at 0x2675c1f5648>]
```
  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。
文本获取
- 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，示例如下：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/text()')
print(result)
输出：
['\r\n']
```
  没有获取到任何文本，只获取到了一个换行符。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 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。
- 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／／
  1. 首先，选取至u a 节点再获取文本，示例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)
输出：
['first item', 'fifth item']
```
    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。
    
    这里是逐层选取的，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。
  2. 即使用（／／）选取的结果，示例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]//text()')
print(result)
输出：
['first item', 'fifth item', '\r\n']
```
    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。
    
    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。
属性获取
- 用＠符号可以获取节点属性。
  例：想获取所有 li 节点下所有 a 节点的 href 属性，示例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)
输出：
['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']
```
  这里通过＠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　　　　
属性多值匹配

某些节点的某个属性可能有多个值.例：
```
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)
输出：
[]
```
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。所以输出为空。这时需要用 contains（）函数，代码修改如下：
```
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)
输出：
['first item']
```
通过 contains（）方法，第一个参数传人属性名称，第二个参数传人属性值，只要此属性包含所传人的属性值，就可以完成匹配了。此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。

多属性匹配

根据多个属性确定一个节点，这时需要同时匹配多个属性。此时可以使用运算符 and 来连接，例：
```
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)
输出：
['first item']
```
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。
此处 and 是 XPath 中的运算符。还有很多运算符，如 or、 mod 等，如下：

按序选择

有时候，在选择的时候某些属性可能同时匹配了多个节点，如果只想要其中的某个节点，可以利用中括号传入索引的方法获取特定次序的节点。
- 例：需要第二个节点或者最后一个节点：
```
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)
输出：
['first item']
['fifth item']
['first item', 'second item']
['third item'] 
```
  - 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。
- 这里使用了 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，具体作用可以参考： http://www.w3school.com.cn/xpath/xpath _functions.asp。

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：
```
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::*')
print(result)
输出：
[<Element html at 0x2d9a83c5608>, <Element body at 0x2d9a83c5588>, <Element div at 0x2d9a83c5548>, <Element ul at 0x2d9a83c5648>]
[<Element div at 0x2d9a83c5548>]
['item-0']
[<Element a at 0x2d9a83c5648>]
[<Element span at 0x2d9a83c5548>]
[<Element a at 0x2d9a83c5648>]
[<Element li at 0x2d9a83c5588>, <Element li at 0x2d9a83c5688>, <Element li at 0x2d9a83c56c8>, <Element li at 0x2d9a83c5708>]
```
- 第一次选择时，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 linkl.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
更多 XPath 的用法，可以查看： http://www.w3school.com.cn/xpath/index.asp。
更多 Python lxml 库的用法，可以查看 http://lxml.de/

转载于:https://www.cnblogs.com/Mack-Yang/p/10069066.html

angdingtun6231

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Class 14 - 1 解析库 -- XPath

对于网页的节点来说，它可以定义 id 、class 或其他属性。而且节点之间还有层次关系，在网页中可以通过XPath 或 css 选择器来定位一个或多个节点。所以在页面解析时，利用 XPath 或 css 选择器来提取某个节点，然后再调用相应方法获取它的正文内容或者属性，也可以提取我们想要的任意信息。XPath的使用XPath，全称 XML Path Language，...
复制链接

扫一扫