XPath
本文主要分为三个部分,首先是将网页内容转为XPath解析对象,然后通过该对象进行节点的选择以及文本和属性的提取。
安装lxml库
在开始之前,安装lxml库,并能够运行。
pip install lxml
XPath解析对象
我们可以通过etree.HTML()
或etree.parse()
这两个类来初始化XPath解析对象。
etree.HTML()
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)
print(html)
print(etree.tostring(html).decode("utf-8"))
先是导入了lxml库中etree模块,然后调用HTML这个类进行初始化,接下来就可以调用对象的方法来选取其中的内容了。
这里打印了html的类型,并且调用了etree模块的tostring方法返回了html的内容,但返回的内容是bytes类型的,就用decode将其转化为string类型
etree.parse()
test.html
<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>
mian.py
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
print(type(html))
print(etree.tostring(html).decode("utf-8"))
以上我们先创建了一个test.html文件,然后在main.py中利用etree.parse模块来初始化对象,其他的与上方一致
注意 :这里需要填入两个参数,一个是文件来源——可以是路径也可以是url,另一个是解析方式,这里选择etree.HTMLParser()
选择节点(重点)
节点选择的通用规则有如下,在练习之前可以先浏览一遍,然后对照着这些规则来写例子。
选择规则 | 描述 |
---|---|
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 |
接下来我们尝试选择所有节点、子节点和父节点这三类
选择所有节点
from lxml import etree
html = etree.parse('http://003edcjcgedhi.jumpkj.chuairan.com/index.html',etree.HTMLParser())
result = html.xpath("//*")
print(type(result))
print(type(result[0]))
print(result)
这里我们选择了所有子孙节点,返回是一个列表,并且列表中的每一个元素的类型与最原始的xpath对象一样
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath("//li")
print(type(result))
print(type(result[0]))
print(result)
这里我们选择了所有为li的节点,并同样地打印了结果的类型
选择子节点
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath("//li/a")
print(result)
[<Element a at 0x1acaaacf9c0>, <Element a at 0x1acaaacfa00>, <Element a at 0x1acaaacfa40>, <Element a at 0x1acaaacfa80>, <Element a at 0x1acaaacfac0>]
这里我们直接在选择了li
节点的基础上,选择了子节点a
注意 :
/
与//
的区别,前者是选择了子节点,后者选择的是子孙节点,下面我们通过两个例子来体验一下这两个的区别。
使用//
:
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath("//ul//a")
print(result)
运行结果
[<Element a at 0x251beb5f680>, <Element a at 0x251beb5f6c0>, <Element a at 0x251beb5f700>, <Element a at 0x251beb5f740>, <Element a at 0x251beb5f780>]
使用/
:
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath("//ul/a")
print(result)
运行结果
[]
第一个例子使用了//
,选出来是有内容的,而第二个就只有一个空的列表,因为ul
和a
这两个节点中间还有一个li
节点。
选择父节点
在一个节点下,使用..
就可回到父节点,下面我们来尝试一下a节点回到li节点:
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath("//ul//a/..")
print(result)
运行结果:
[<Element li at 0x26c4872f880>, <Element li at 0x26c4872f8c0>, <Element li at 0x26c4872f900>, <Element li at 0x26c4872f940>, <Element li at 0x26c4872f980>]
这里我们已经从a
节点回到了它的父节点li
上面,当然还有一种方法,可以用parent::*
来替换..
来达到选择父节点的效果,
例子如下:
result = html.xpath("//ul//a/parent::*")
选择效果与上面的html.xpath("//ul//a/..")
一样。
属性匹配
节点的选择可以通过属性来进行筛选,最后得到自己想要的节点。
单属性单值
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath("//li[@class='item-0']")
print(result)
运行结果为:
[<Element li at 0x20772090680>, <Element li at 0x207720906c0>]
这里我们选择了class
为item-0的li元素
单属性多值
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']")
print(result)
运行结果为:
[]
这里我们看到运行结果是个空列表,说明在class
多个值时,并不能选择到这个节点,所以我们将用contains
方法,运行代码如下:
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')]")
print(result)
运行结果为:
[<Element li at 0x189c79d0580>]
我们看到结果并非是一个空列表,说明是已经选择出来了,contains
方法的一个参数传入属性名称,第二个传入属性值。
多属性多值
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']")
print(result)
这里我们通过class
与name
两个属性来选择li
节点,这两个属性通过and
运算符来连接,还有许多运算符将列在下方表格中。
运算符 | 描述 | 实例 | 返回值 |
---|---|---|---|
or | 或 | age=19 or age=20 | 如果age是19或者20则返回true。如果age是其他则返回false |
and | 与 | age>19 and age<21 | 如果age是20,则返回true。如果age是其他则返回false |
mod | 计算除法的余数 | 5 mod 2 | 1 |
| | 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 | age = 19 | 如果age是19,则返回true。如果age是20,则返回false |
!= | 不等于 | age != 19 | 如果age不是19,则返回true。如果age是19则返回false |
< | 小于 | age < 19 | 如果age小于19,则返回true。如果age大于等于19则返回false |
<= | 小于或等于 | age <= 19 | 如果age小于等于19,则返回true。如果age大于19则返回false |
> | 大于 | age > 19 | 如果age大于19,则返回true,如果age小于等于19则返回false |
>= | 大于或等于 | age >= 19 | 如果age大于等于19.则返回true,如果age小于19则返回false |
按序选择
当我们匹配属性得到一个节点列表时,但我们只需要其中的一个或者多个时,可采取下方措施来选择自己需要的节点。
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)
运行结果为:
['first item']
['fifth item']
['first item', 'second item']
['third item']
以上通过向中括号船体数字以及last
、positon
这两个方法选择到了相应的节点。XPath提供了100多种方法,部分方法呈现在下方。(可跳过)
节点集函数
last() 返回当前上下文中的最后一个节点的位置号数。
position() 返回当前节点的位置的数字,位于第多少个。
count(node-set) 返回节点集node-set中的节点数。
id(mark) 根据在DTD中声明为ID类型的标识符选择元素,返回一个节点集。
name() 返回节点名称。
local-name() 返回不带名称空间的节点名称。
namespace-uri() 返回名称空间。
字符串函数
string(object) 把节点集、数字、布尔值等转化成字串并返回。
format-number(num) 把数字转化成字串并返回。
concat(string1,string2…) 合并多个字串并返回。
starts-with(string1,string2) 如果字串string1开头带string2的所有字符则返回true,否则返回false。
contains(string1,string2) 如果字串string1包含string2的所有字符则返回true,否则返回false。
substring(string,number1,number2) 取string中从位置number1开始,number2长的子串,number2可省略。
substring-before(string1,string2) 取string1在string2第一次出现位置之前的子串。
substring-after(string,string) 取string1在string2第一次出现位置之后的子串。
string-length(string) 返回string的长度数字。
normalize-space(string) 清除string头尾的空白字符并且把连续的空白字符替换为一个再返回。
translate(string1,string2,string3) 假如string1中的字符在string2中有出现,那么替换为string3对应string2的同一位置的字符,假如string3这个位置取不到字符则删除string1的该字符。
布尔函数
boolean(object) 非0和NaN的数字/非空节点/长度大于0的字串返回true,非基本类型的转换有时无法估计。
not(boolean) 对布尔值取反。
true() 返回true。
false() 返回false。
lang(string) 如果上下文节点的lang属性和string相同则返回true。
数字函数
number(object) 使对象转化成数字,布尔值true为1,false为0;节点集首先转换成字符串,字符串转换成数字或者NaN。
sum(node-set) 对节点集node-set中的所有节点应用number()函数后返回和。
floor(number) 返回不大于数字number的最大整数。
ceiling(number) 返回不小于数字number的最小整数。
round(number) 返回和数字number的四舍五入结果。
节点轴选择
想必还比较陌生,但大家在选择父节点时已经用过一次,那就是parent
方法,下面将介绍其他方法:
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)
以上的格式都是方法加上::
最后再加上要选择的节点。
就拿第一个来举例,第一个先是调用了ancestor
轴,即祖先节点,两个:
之后跟着*
。相当于除了li
节点,其他节点都被选上了。
其他几个相继是:获取div
祖先节点、attribute
轴获取当前节点所有属性、desecndant
获取所有子孙节点
提取信息
文本获取
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath("//li[@class='item-0']/a/text()")
print(result)
运行结果为:
['first item', 'fifth item']
上面先是选择了a节点,再提取了a节点内部的文本内容
属性获取
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath("//li[@class='item-0']/a/@href")
print(result)
运行结果为:
['link1.html', 'link5.html']
上面选择了a节点,并提取了节点中的href
的属性值
注:来源于崔庆才<<python3爬虫实战开发2>>本人学习并分享,略有补充。
本文部分内容引用了Xpath的使用(详细教学)