python爬虫循环表格xpath_python爬虫学习笔记(九)-数据提取之XPath的使用

1. 介绍

之前 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath

2. 安装

pip install lxml

3. XPath语法

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上

3.1 节点的关系

父(Parent)

子(Children)

同胞(Sibling)

先辈(Ancestor)

后代(Descendant)

3.2 选取节点

3.2.1 常用的路径表达式

表达式

描述

nodename

选取此节点的所有子节点

/

从根节点选取

//

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

3.2.2 通配符

XPath 通配符可用来选取未知的 XML 元素。

通配符

描述

举例

结果

*

匹配任何元素节点

xpath('div/*')

获取div下的所有子节点

@*

匹配任何属性节点

xpath('div[@*]')

选取所有带属性的div节点

node()

匹配任何类型的节点

3.2.3 选取若干路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径

表达式

结果

xpath('//div|//table')

获取所有的div与table节点

3.2.4 谓语

谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点

表达式

结果

xpath('/body/div[1]')

选取body下的第一个div节点

xpath('/body/div[last()]')

选取body下最后一个div节点

xpath('/body/div[last()-1]')

选取body下倒数第二个节点

xpath('/body/div[positon()❤️]')

选取body下前丙个div节点

xpath('/body/div[@class]')

选取body下带有class属性的div节点

xpath('/body/div[@class="main"]')

选取body下class属性为main的div节点

xpath('/body/div[price>35.00]')

选取body下price元素大于35的div节点

3.2.5 XPath 运算符

运算符

描述

实例

返回值

计算两个节点集

//book

+

加法

6 + 4

10

–

减法

6 – 4

2

*

乘法

6 * 4

24

div

除法

8 div 4

2

=

等于

price=9.80

如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。

!=

不等于

price!=9.80

如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。

<

小于

price<9.80

如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。

<=

小于或等于

price<=9.80

如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。

>

大于

price>9.80

如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。

>=

大于或等于

price>=9.80

如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。

or

或

price=9.80 or price=9.70

如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。

and

与

price>9.00 and price<9.90

如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。

mod

计算除法的余数

5 mod 2

1

3.3 使用

3.3.1 小例子

from lxml import etree

text = '''

• first item
• second item
• third item
• fourth item
• fifth item

'''

html = etree.HTML(text)

result = etree.tostring(html)

print(result)

首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。

其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。

所以输出结果是这样的

• first item
• second item
• third item
• fourth item
• fifth item

不仅补全了 li 标签，还添加了 body，html 标签。

文件读取

除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为

• first item
• second item
• third item
• fourth item
• fifth item

利用 parse 方法来读取文件

from lxml import etree

html = etree.parse('hello.html')

result = etree.tostring(html, pretty_print=True)

print(result)

同样可以得到相同的结果

3.3.2 XPath具体使用

依然以上一段程序为例

获取所有的

标签

from lxml import etree

html = etree.parse('hello.html')

print (type(html))

result = html.xpath('//li')

print (result)

print (len(result))

print (type(result))

print (type(result[0]))

运行结果

[, , , , ]

可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个

元素，每个元素都是 Element 类型

获取

标签的所有 class

result = html.xpath('//li/@class')

print (result)

运行结果

['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

获取

标签下 href 为 link1.html 的 标签

result = html.xpath('//li/a[@href="link1.html"]')

print (result)

运行结果

[]

获取

标签下的所有 标签

注意: 这么写是不对的

result = html.xpath('//li/span')

#因为 / 是用来获取子元素的，而 并不是 的子元素，所以，要用双斜杠

result = html.xpath('//li//span')

print(result)

运行结果

[]

获取

标签下的所有 class，不包括

result = html.xpath('//li/a//@class')

print (resul)t

#运行结果

['blod']

获取最后一个

的