解析库XPath的使用

最新推荐文章于 2024-05-15 07:59:17 发布
最新推荐文章于 2024-05-15 07:59:17 发布
阅读量608 收藏 2
点赞数
分类专栏： 爬虫 文章标签： 爬虫 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_49449205/article/details/120831358
版权

文章目录


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，但是它同样适用于HTML文档的搜索。
所以在做爬虫时，我们完全可以使用XPath来做相应的信息抽取。

1.XPath概览

XPath的选择功能十分强大，它提供了非常简洁明了的路径选择表达式。另外，它还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等。几乎我们所有想要定位的节点，都可以用XPath来选择。

2.XPath常用规则

在这里插入图片描述
这里列出了XPath的常用匹配规则，示例如下：

//title[@lang='eng']

这就是一个XPath规则，他代表选择所有名称为title，同时属性为lang的值为eng的节点。后面会通过Python的lxml库，利用XPath进行解析。

3.准备工作

使用之前，首先要确保安装lxml库，可以通过pip命令安装，也可以通过pycharm插件安装。

4.实例

现在通过实例来感受一下使用XPath来对网页进行解析的过程，相关代码：

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-active"><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'))

首先导入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，这样就成功构造了一个XPath解析对象。这里需要注意的是，HTML文本中的最后一个li节点是没有闭合的，但是etree模块可以自动修正文本。
这里我们调用tostring（）方法即可输出修正后的代码，但是结果是bytes类型。这里利用decode（）方法将其转成str类型，结果如下：

<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-active"><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>
</div></div></body></html>

可以看到，经过处理之后，li节点标签补全，并且还自动添加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：

html = etree.parse('./test.html',etree.HTMLParser())
result= etree.tostring(html)
print(result.decode('utf-8'))

其中test.html就是上面HTML代码。这次输出结果如下：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><div>&#13;
<ul>&#13;
<li class="item-0"><a href="link1.html">first item</a></li>&#13;
<li class="item-1"><a href="link2.html">second item</a></li>&#13;
<li class="item-active"><a href="link3.html">third item</a></li>&#13;
<li class="item-1"><a href="link4.html">fourth item</a></li>&#13;
<li class="item-0"><a href="link5.html">fifth item</a>&#13;
</li></ul>&#13;
<div/></div></body></html>

5.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。 这里就以前面的HTML文本为例，如果要选取所有节点，就可以这样写：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//*')
print(result)

结果如下：
在这里插入图片描述
这里用*代表匹配所有节点，也就是整个HTML文档中的所有节点都会被获取。可以看到，返回形式是一个列表，每个元素是Element类型，其后紧跟了节点名称，如html、body、div、ul、li、a等，所有节点都包含在列表中了。
当然，此处匹配也可以指定节点名称。如果想获取所有li节点，可以这样写：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])

这里要选取所有li节点，可以使用//，然后直接加上节点名称即可，调用时直接使用xpath（）方法即可。
运行结果：
在这里插入图片描述
这里可以看到提取结果是一个列表形式，其中每个元素都是一个Element对象。如果要提取其中一个对象，可以直接用中括号加索引，如[0].

6.子节点

我们通过/或//即可查找元素的子节点或子孙节点。 假如现在想选择li节点的所有直接a子节点，可以这样实现：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li/a')
print(result)

这里通过追加/a即选择了所有li节点所有直接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。运行结果如下：
在这里插入图片描述
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，可以这样写：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//ul//a')
print(result)

运行结果一样，但是如果用//ul/a，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，就没法匹配了。我们需要注意/和//的区别。

7.父节点

刚才我们知道了连续的/和//可以查找子节点和子孙节点，那么我们知道子节点怎么获取父节点呢？可以通过…来实现。
例如，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，代码如下：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class') # parent::*
print(result)

运行结果：

['item-1']

发现，这就是我们获取的目标li节点的class。同时我们也可以通过parent::来获取父节点，代码如下：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class') # parent::*
print(result)

8.属性匹配

在选取的时候，我们还可以用@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，可以这样写：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)

这里我们通过加入[@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。结果如下：

[<Element li at 0x24063a26b88>, <Element li at 0x24063a26bc8>]

9.文本获取

我们用XPath中的text（）方法获取节点中的文本，接下里尝试获取前面li节点中的文本，代码如下：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/text()')
print(result)

运行结果

['\r\n']

我们并没有获取到文本，获取到了回车、换行符，原因在于XPath中text（）前面是/，而此处/的含义是选取子节点，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节点内部的换行符，因为自动修正的li节点的尾标签自动换行了。
即选中的是这两个标签：

<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</li>

我们要想获取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//。
首先，选取到a节点再获取文本，代码如下：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)

运行结果：

['first item', 'fifth item']

可以看到，返回了属性为item-0的li节点的文本。
再看另一种方式：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]//text()')
print(result)

运行结果：

['first item', 'fifth item', '\r\n']

所以说，如果要想获得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。

10.属性获取

我们知道用text（）可以获取节点内部的文本，那么节点属性该怎样获取呢？其实还是用@符号就可以。例如，我们想要获取所有li节点下所有a节点的href属性。代码如下：

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)

我们通过@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，二者需要做好区分。
运行结果如下：

['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

11.属性多值匹配

有时候，某些节点的某个属性可能有多个值，例如：

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)

这里HTML文本中li节点的class属性有两个值li和li-first，此时如果还用之前的属性匹配获取，就无法匹配了，此时的运行结果如下：

[]

这时就需要contains（）函数了，代码改写：

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)

这样通过contains（）方法，第一个参数传入属性名称，第二个参数传入属性值，只要此属性包含所传入的属性值，就可以完成匹配。 结果如下：

['first item']

此种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。

12.多属性匹配

另外，还有一种情况，那就是根据多个属性确定一个节点，这时就需要同时匹配多个属性。此时可以使用运算符and连接，示例如下：

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)

这里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，二者同时需要满足，用and操作符相连，相连之后置于中括号内进行条件筛选。结果如下：

['first item']

这里的and其实是XPath中的运算符。另外，还有很多运算符，如or、mod等，见下表
在这里插入图片描述

13.按序选择

有时候，我们在选择的时候某些属性可能同时匹配了多个节点，但是只想要其中的某个节点，如第二个节点或者最后一个节点，这时该怎么办？
这时可以利用中括号传入索引的方法获取特定次序的节点，示例：

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)

运行结果如下：

['first item']
['fifth item']
['first item', 'second item']
['third item']

这里我们使用了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。

14.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：

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)

运行结果：

[<Element html at 0x2616dd17b08>, <Element body at 0x2616dd17a88>, <Element div at 0x2616dd17a48>, <Element ul at 0x2616dd17b48>]
[<Element div at 0x2616dd17a48>]
['item-0']
[<Element a at 0x2616dd17b48>]
[<Element span at 0x2616dd17a48>]
[<Element a at 0x2616dd17b48>]
[<Element li at 0x2616dd17a88>, <Element li at 0x2616dd17b88>, <Element li at 0x2616dd17bc8>, <Element li at 0x2616dd17c08>]

第一次选择，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link1.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。
以上就是XPath轴的简单用法。

降温vae+
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
XML解析包xPath
04-19
xPath.jar，XML解析包。XPath是获取xml中数据的一种方式，其简单语法易用。
从 XML 到 XPath
10-28 961
XPath是 W3C（World Wide Website Consortium） 的一个标准。它最主要的目的是为了在 XML1.0 或 XML1.1 文档节点树中定位节点所设计。 XPath 即为 XML 路径语言，它是一种用来确定 XML（标准通用标记语言的子集，XML：Extensive Markup Language）文档中某部分位置的语言。
python selenium的xpath的使用
weixin_44306688的博客
08-30 1815
【代码】python selenium的xpath的使用。
java利用XPath将XML转为对象，并查询特定节点
weixin_42286276的博客
11-18 340
java利用XPath将xml转为对象，并查询特定节点。
Java修炼——XPATH 技术_快速获取节点
欢迎来到我的博客，一起学习Java！
07-25 449
准备资源 1)DOM4J 的 jar 包 2)Jaxen 的 jar 包 3)XPATH中文文档 XPATH技术是为了将获取结点变得更简单，更方便而设计的。是在DOM4J的基础上完成的。因此需要俩个jar包 1.需要添加dom4j的jar包 2.Jaxen 的 jar 包 package com.bjsxt.xpaht; import java.io.File; im...
JAVA中XPATH取值数据对象_java-如何使用XPATH获取XML元素的相对深度
weixin_34868242的博客
02-25 100
我试图从给定XML文件中的特定元素中找到给定XML元素的相对深度,我尝试使用XPATH,但是我对XML解析不是很熟悉,也没有得到理想的结果.我还需要在计数时忽略数据元素.下面是我编写的代码和示例XML文件.例如. TS837_2000A_Loop元素中NM109_BillingProviderIdentifier的深度为4.父节点是：TS837_2000A_Loop< NM1_SubLoop...
java xpath evaluate_Java - XPath解析爬取内容
weixin_34536454的博客
02-16 609
就爬取和解析内容而言，我们有太多选择。比如，很多人都觉得Jsoup就可以解决所有问题。无论是Http请求、DOM操作、CSS query selector筛选都非常方便。关键是这个selector，仅通过一个表达式筛选出的只能是一个node。如过我想获得一个text或者一个node的属性值，我需要从返回的element对象中再获取一次。而我恰好接到了一个有意思的需求，仅通过一个表达式表示想筛选的内...
java xpathexpression_Java，XPath Expression用于读取所有节点名称，节点值和属性
weixin_39623355的博客
02-24 534
我需要帮助来创建一个xpath表达式来读取xml字符串中的所有节点名称，节点值和属性 . 我做的：private List listOne = new ArrayList();private List listTwo = new ArrayList();public void read(String xml) {try {// Turn String into a DocumentDocument...
爬虫解析库：XPath
01-20
所以在做爬虫时完全可以使用 XPath 做相应的信息抽取。 1. XPath 概览     XPath 的选择功能十分强大，它提供了非常简洁明了的路径选择表达式。另外，它还提供了超过 100 个内建函数，用于字符串、数值、时间的...
解析库的使用（XPath，BeautifulSoup, pyquery）
10-10
解析库的使用（XPath，BeautifulSoup, pyquery），从崔庆才的《Python3网络开发实战》上总结而来。
浅谈解析库XPath，bs4和pyquery
12-21
《浅谈解析库XPath，bs4和pyquery》 作者：墨非墨菲非菲 前几天在CSDN看到一篇帖子，题目是“如何让自己像打王者一样发了疯，拼了命，石乐志的学习”。这里面讲到了阶段性反馈机制，我觉得蛮有意思的，正好前两天用...
C# 使用XPath解析网页-附件资源
03-02
C# 使用XPath解析网页-附件资源
Python中利用xpath解析HTML的方法
12-23
首先，我们需要安装一个支持xpath的python库。目前在libxml2的网站上被推荐的python binding是lxml，也有beautifulsoup，不嫌麻烦的话还可以自己用正则表达式去构建，本文以lxml为例讲解。 假设有如下的HTML文档: ...
数据解析之Xpath解析（超详细定位）
ChatYU的博客
09-21 7246
XPath（XML Path Language）是一种XML的查询语言，他能在XML树状结构中寻找节点。XPath 用于在 XML 文档中通过元素和属性进行导航xml是一种标记语法的文本格式，xpath可以方便的定位xml中的元素和其中的属性值。lxml是python中的一个第三方模块，它包含了将html文本转成xml对象，和对对象执行xpath的功能表达式说明举例从根节点开始选取//从任意节点开始选取//input选取当前节点..选取当前节点的父节点//input/..
Xpath复杂元素定位 find_element
Z886699的博客
09-25 597
4.组合查找：父亲的同胞--------> //input[@id=“kw”]//ancestor::span//preceding-sibling::input。1.查找input元素的同胞节点（哥哥/姐姐）-------> //input[@id=“kw”]//preceding-sibling::span。2.查找input元素的同胞节点（弟弟/妹妹）-------> //input[@id=“kw”]//following-sibling::span。相对路径则比较灵活。
XPath判断当前选中节点的元素类型 Python lxml判断当前Element的元素类型 爬虫爬取页面分元素类型提取纯文本
当年月明的博客
01-29 593
在做爬取网页文章时，提取纯文本属实难到我了。文本夹链接，链接夹特殊字体，整麻了。最好的办法是根据元素的类型进行不同的解析操作。然而网上没有这方面的文章…于是乎，在冲浪了一波之后，我带着我的小经验来啦啊
【Python爬虫开发基础⑧】XPath库及其基本用法
z135733的博客
06-27 2054
XPath（XML Path Language）是一种用于在HTML和XML文档中定位和选择节点的语言。它提供了一种简洁而强大的方式来对HTML和XML文档进行遍历和操作。路径表达式：XPath使用路径表达式从根节点开始，沿着节点之间的层级关系依次定位目标节点。常见的路径表达式有以下几种形式：表达式意义表示从根节点开始选择。//表示在整个文档中选择节点。。(点)表示当前节点。。。(两个点)表示当前节点的父节点。nodeName表示选择指定名称的节点。谓语。
element元素 取属性_ALLEN老师自动化测试小课堂 | Xpath页面元素定位精讲
weixin_42336892的博客
01-02 285
在前面的文章中，已经写过在 selenium webdriver中常见的8种元素定位方式，其中就包括一部分的xpath的使用，但内容不是很全面，此文算是作为补充，如查看其他定位方式，请移步到：捉虫布道人：ALLEN老师自动化测试小课堂 | WebDriver API之常见元素定位方法​zhuanlan.zhihu.comXpath作为一个万桶油的技术，在web自动化测试种也得到了很好的体现，他丰富...
python爬虫[简易版]
最新发布
Gavin
05-15 210
接下来就是分析返回的数据,解析数据~拿出图片的url。第一步:打开网站,分析图片的数据源来自哪里,发现我们要的数据原来自这里,
怎么使用xpath解析url
06-08
我们可以使用Python的requests库来获取URL的HTML源代码，使用lxml库来解析HTML，并使用XPath表达式来获取节点信息。 下面是一个简单的例子，演示如何使用XPath解析URL： ```python import requests from lxml ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

降温vae+

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值