前言
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。
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。几乎所有我们想要定位的节点,都可以用 XPath 来选择。
使用之前,首先要确保安装好 lxml 库
pip3 install lxml
⭐1.XPath 常用规则
表 达 式 | 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 |
* | 所有节点 返回形式是一个列表,每个元素是Element类型 |
方法 | 描述 |
---|---|
/text() | 获取文本内容,返回的是列表 text 方法获取节点中的文本 |
contains()函数 | 属性多值匹配 某些节点的某个属性可能有多个值 contains 方法,第一个参数传入属性名称,第二个参数传入属性值 ’//li[contains(@class, “li”)]/a/text()' 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。 |
and | 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。 |
按序选择 | 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。 利用中括号传入索引的方法获取特定次序的节点 序号是以 1 开头的 |
节点轴选择 | 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 |
2.xpth解析原理:
1)实例化一个etree的对象,且需要将被解析的页面源码数据加载到该对象中。
from lxml import etree
tree = etree.parse('filePath', etree.HTMLParser()) #将本地的html文档中的数据加载到该对象中;
tree = etree.HTML('page_text') #将互联网上获取的页面源码加载到该对象中;
tree.xpath('xpath表达式')
2)调用etree对象中的xpth方法结合xpth表达式实现标签的定位和内容的捕获。
一些常用的:
属性定位:
#找到class属性值为song的div标签
//div[@class=“song”]
层级&索引定位:
#找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的直系子标签a
//div[@class=“tang”]/ul/li[2]/a
逻辑运算:
#找到href属性值为空且class属性值为du的a标签
//a[@href=”" and @class=“du”]
模糊匹配:
//div[contains(@class, “ng”)]
//div[starts-with(@class, “ta”)]
取文本:
/表示获取某个标签下的文本内容
//表示获取某个标签下的文本内容和所有子标签下的文本内容
//div[@class=“song”]/p[1]/text()
//div[@class=“tang”]//text()
取属性@:
//div[@class=“tang”]//li[2]/a/@href
3.案例
#先导入lxml库的etree模块
from lxml import etree
#声明了一段HTML文本
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>
'''
#调用HTML类进行初始化,构造一个XPath解析对象
#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HTML文本
html = etree.HTML(text)
result1 = etree.tostring(html) #tostring()方法输出修正后的HTML代码,结果是bytes类型
#print(result.decode('utf-8')) #利用decode()方法将其转成str类型
#可以看到,经过处理之后,li 节点标签被补全,并且还自动添加了 body、html 节点。
"""
<html><body><div>
<ul>
<li class="item-0"><a href&