xpath是一种在XML文档中定位元素的语言,常用于xml、html文件解析,比css选择器使用方便
XML文件最小构成单元:
- element(元素节点)
- attribute(属性节点)
- text(文本)
- namespace(命名空间)
- processing-instruction(命令处理)
- comment(注释)
- root(根节点)
xpath表达式格式
xpath通过"路径表达式"来选择节点,在表现形式上与传统的文件系统类似
绝对路径(absolute path)必须用"/"起首,后面紧跟根节点,比如/step/step/...
相对路径(relative path)则是除了绝对路径以外的其他写法,比如 step/step,也就是不使用"/"起首
斜杠(/)作为路径内部的分割符
"/":表示选择根节点
"//":表示选择任意位置的某个节点
"@": 表示选择某个属性
nodename(节点名称):表示选择该节点的所有子节点
xpath功能函数
使用功能函数能够更好的进行模糊搜索
函数
用法
解释
starts-with
xpath(‘//div[starts-with(@id,”ma”)]‘)
选取id值以ma开头的div节点
contains
xpath(‘//div[contains(@id,”ma”)]‘)
选取id值包含ma的div节点
and
xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘)
选取id值包含ma和in的div节点
text()
xpath(‘//div[contains(text(),”ma”)]‘)
选取节点文本包含ma的div节点
xpath定位方法
Harry Potter29.99
Learning XML39.95
#bookstore :选取 bookstore 元素的所有子节点。#/bookstore :选取根节点bookstore,这是绝对路径写法。#bookstore/book :选取所有属于 bookstore 的子元素的 book元素,这是相对路径写法。#//book :选择所有 book 子元素,而不管它们在文档中的位置。#bookstore//book :选择所有属于 bookstore 元素的后代的 book 元素,而不管它们位于 bookstore 之下的什么位置。#//@lang :选取所有名为 lang 的属性。#/bookstore/book[1] :表示选择bookstore的第一个book子元素。#/bookstore/book[last()] :表示选择bookstore的最后一个book子元素。#/bookstore/book[last()-1] :表示选择bookstore的倒数第二个book子元素。#/bookstore/book[position()<3] :表示选择bookstore的前两个book子元素。#//title[@lang] :表示选择所有具有lang属性的title节点。#//title[@lang='eng'] :表示选择所有lang属性的值等于"eng"的title节点。#/bookstore/book[price] :表示选择bookstore的book子元素,且被选中的book元素必须带有price子元素。#/bookstore/book[price>35.00] :表示选择bookstore的book子元素,且被选中的book元素的price子元素值必须大于35。#/bookstore/book[price>35.00]/title :表示在例14结果集中,选择title子元素。#/bookstore/book/price[.>35.00] :表示选择值大于35的"/bookstore/book"的price子元素。#//book/title | //book/price :表示同时选择book元素的title子元素和price子元素。
例2:
# 我们爬取网页的目的,无非是先定位到DOM树的节点,然后取其文本或属性值
myPage= '''
TITLE我的博客
Hello,\nworld!
-- by Adam
'''html=etree.fromstring(myPage)
# 一、定位
divs1= html.xpath('//div')
divs2= html.xpath('//div[@id]')
divs3= html.xpath('//div[@class="foot"]')
divs4= html.xpath('//div[@*]')
divs5= html.xpath('//div[1]')
divs6= html.xpath('//div[last()-1]')
divs7= html.xpath('//div[position()<3]')
divs8= html.xpath('//div|//h1')
divs9= html.xpath('//div[not(@*)]')
# 二、取文本 text() 区别 html.xpath('string()')
text1= html.xpath('//div/text()')
text2= html.xpath('//div[@id]/text()')
text3= html.xpath('//div[@class="foot"]/text()')
text4= html.xpath('//div[@*]/text()')
text5= html.xpath('//div[1]/text()')
text6= html.xpath('//div[last()-1]/text()')
text7= html.xpath('//div[position()<3]/text()')
text8= html.xpath('//div/text()|//h1/text()')
# 三、取属性 @
value1= html.xpath('//a/@href')
value2= html.xpath('//img/@src')
value3= html.xpath('//div[2]/span/@id')
# 四、定位(进阶)
#1.文档(DOM)元素(Element)的find,findall方法
divs= html.xpath('//div[position()<3]')for div indivs:
ass= div.findall('a') # 这里只能找到:div->a, 找不到:div->p->afor a inass:if a isnot None:
#print(dir(a))
print(a.text, a.attrib.get('href')) #文档(DOM)元素(Element)的属性:text, attrib
#2.与1等价
a_href= html.xpath('//div[position()<3]/a/@href')
print(a_href)
#3.注意与1、2的区别
a_href= html.xpath('//div[position()<3]//a/@href')
print(a_href)