XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。
相比于BeautifulSoup,Xpath在提取数据时会更加的方便。
安装
在Python中很多库都有提供Xpath的功能,但是最基本的还是lxml这个库,效率最高。在之前BeautifulSoup章节中我们也介绍到了lxml是如何安装的。
pip install lxml
语法
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。
我们将用以下的HTML文档来进行演示:
html_doc = '''
Everyday ItalianGiada De Laurentiis
2005
30.00
Harry PotterJ K. Rowling
2005
29.99
XQuery Kick StartJames McGovern
Per Bothner
Kurt Cagle
James Linn
Vaidyanathan Nagarajan
2003
49.99
Learning XMLErik T. Ray
200339.95 '''
from lxml importetree
page= etree.HTML(html_doc)
路径查找
表达式
描述
nodename
选取此节点的子节点。
/
从当前根节点选取。
//
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。
查找当前节点的子节点
In [1]: page.xpath('head')
Out[1]: []
从根节点进行查找
In [2]: page.xpath('/html')
Out[2]: []
从整个文档中所有节点查找
In [3]: page.xpath('//book')
Out[3]:
[,,,]
选取当前节点的父节点
In [4]: page.xpath('//book')[0].xpath('..')
Out[4]: []
选取属性
In [5]: page.xpath('//book')[0].xpath('@category')
Out[5]: ['COOKING']
节点查找
表达式
结果
nodename[1]
选取第一个元素。
nodename[last()]
选取最后一个元素。
nodename[last()-1]
选取倒数第二个元素。
nodename[position()<3]
选取前两个子元素。
nodename[@lang]
选取拥有名为 lang 的属性的元素。
nodename[@lang='eng']
选取拥有lang属性,且值为 eng 的元素。
选取第二个book元素
In [1]: page.xpath('//book[2]/@category')
Out[1]: ['CHILDREN']
选取倒数第三个book元素
In [2]: page.xpath('//book[last()-2]/@category')
Out[2]: ['CHILDREN']
选取第二个元素开始的所有元素
In [3]: page.xpath('//book[position() > 1]/@category')
Out[3]: ['CHILDREN', 'WEB', 'WEB']
选取category属性为WEB的的元素
In [4]: page.xpath('//book[@category="WEB"]/@category')
Out[4]: ['WEB', 'WEB']
未知节点
通配符
描述
*
匹配任何元素节点。
@*
匹配任何属性节点。
匹配第一个book元素下的所有元素
In [1]: page.xpath('//book[1]/*')
Out[1]:
[,,,]
获取节点中的文本
用text()获取某个节点下的文本
In [1]: page.xpath('//book[1]/author/text()')
Out[1]: ['Giada De Laurentiis']
如果这个节点下有多个文本,则只能取到一段。
用string()获取某个节点下所有的文本
In [2]: page.xpath('string(//book[1])')
Out[2]: '\n Everyday Italian\n Giada De Laurentiis\n 2005\n 30.00\n'
选取多个路径
通过在路径表达式中使用“|”运算符,您可以选取若干个路径。
In [1]: page.xpath('//book[1]/title/text() | //book[1]/author/text()')
Out[1]: ['Everyday Italian', 'Giada De Laurentiis']