爬虫小白之---XPath 基础学习

转自：https://cuiqingcai.com/5545.html
学习到xpath的一些基础知识，做一下记录

from lxml import etree
#这个def是用来做分隔符的  可以忽略
def num(x):
	print(str(x)*50)


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>
'''

'''
1，选取所有节点：-----> //*
    一般会用//开头的XPath规则来选取所有符合要求的节点
    这里使用*代表匹配所有节点，也就是整个HTML文本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，其后跟了节点的名称，如html、body、div、ul、li、a等，所有节点都包含在列表中了
'''
html = etree.HTML(text)
result = html.xpath('//*')
print(result)
num('=1')

'''
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，示例如下：
'''
html=etree.HTML(text)
result=html.xpath('//li')
print(result)
num('=1')

# 如果要取出其中一个对象，可以直接用中括号加索引，如[0]。
html=etree.HTML(text)
result=html.xpath('//li')  # 在HTML文本中  排序是从1开始，要和列表的下标索引区分开  这里要取第一个  要写成result=html.xpath('//li[1]')
print(result[0])           #若是在打印的时候要取第一个元素  则需要用到列表的下标索引取值  这时就应该是  result[0]
num('=1')

'''
2，选取子节点和子孙节点
    通过/或//即可查找元素的子节点或子孙节点。要注意/和//的区别，其中/用于获取直接子节点，//用于获取子孙节点
    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：
'''
'''
<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>
'''
#2.1  选取直接子节点-----> /
# //li/a   选取所有li节点下面的直接子节点
html=etree.HTML(text)
result=html.xpath('//li/a')
print(result)
num('=2')

# 2.2 选取子孙节点------> //
#//ul//a  因为ul下面的直接子节点是li，而 a 在 li 节点里面，是 ul 子节点的子节点，称之为：‘子孙节点’，
# 因此，用'//ul/a'是不能获取到的，需要用 //ul//a 的格式
html=etree.HTML(text)
result=html.xpath('//ul//a')
print(result)
num('=2')

'''
3,父节点----> ..
    通过连续的/或//可以查找子节点或子孙节点，那么假如我们知道了子节点，怎样来查找父节点呢？
    这可以用..来实现。
'''
'''
<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>
'''
# 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
html=etree.HTML(text)
result=html.xpath('//a[@href="link4.html"]/../@class')
print(result)
num('=3')

# 也可以通过parent::来获取父节点，代码如下：
html=etree.HTML(text)
result=html.xpath('//a[@href="link4.html"]/parent::*/@class')
print(result)
num('=3')

'''
4,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，可以这样实现:
'''
'''
<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>
'''
# 这里通过加入[@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
html=etree.HTML(text)
result=html.xpath('//li[@class="item-0"]')
print(result)
num('=4')

'''
5，文本获取------>  text()
    用XPath中的text()方法获取节点中的文本，接下来尝试获取前面li节点中的文本，
    
    相关代码如下：
'''
# 5.1 根据顺序 一层一层的获取  获取 class="item-0" 属性的文本内容，文本内容在a标签内，需要定位到a标签
html=etree.HTML(text)
result=html.xpath('//li[@class="item-0"]/a/text()')
print(result)
num('=5')
# 5.2 使用获取子孙节点的方法  获取全部，但是，这是获取所有li节点内的文本内容，所以结果可能会有一些换行符等特殊字符
html=etree.HTML(text)
result=html.xpath('//li[@class="item-0"]//text()')
print(result)
num('=5')

'''
6,属性获取----->  @
    我们知道用text()可以获取节点内部文本，那么节点属性该怎样获取呢？其实还是用@符号就可以。例如，我们想获取所有li节点下所有a节点的href属性
    这里我们通过@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"]，限定了取值范围必须在href="link1.html"范围内
    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。
'''
'''
<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>
'''
# 获取所有的li节点内a标签的href属性
html=etree.HTML(text)
result=html.xpath('//li/a/@href')
print(result)
num('=6')


'''
7, 属性多值匹配-------> contains()
    有时候，某些节点的某个属性可能有多个值,如：class="li li-first" ，该属性有两个值 li li-first,这时就需要用contains()函数了
'''
text1 = '''
<li class="li li-first"><a href="link.html">first1 item</a></li>
<li class="li li-first"><a href="link.html">first2 item</a></li>
<li class="li li-first"><a href="link.html">first3 item</a></li>
'''
#  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，就可以完成匹配了。
html=etree.HTML(text1)
result=html.xpath('//li[contains(@class, "li")]/a/text()')   #这里指定了需要获取class="li li-first"的文本内容，所以用[]
print(result)
num('=7')

'''
8, 多属性匹配
    可能还遇到一种情况，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，示例如下：
    <li class="li li-first" name="item"><a href="link.html">first item</a></li>
    此时可以使用运算符and来连接
    这里的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，
    二者需要同时满足，需要用and操作符相连，相连之后置于中括号内进行条件筛选
'''
text2 = '''
<li class="li li-first" name="item"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text2)
result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')
print(result)
num('=8')

'''
9, 按需排序
    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，
    这时可以利用中括号传入索引的方法获取特定次序的节点
'''
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)
num('=9')
'''
第一次选择时，我们选取了第一个li节点，中括号中传入数字1即可。注意，这里和代码中不同，序号是以1开头的，不是以0开头。

第二次选择时，我们选取了最后一个li节点，中括号中传入last()即可，返回的便是最后一个li节点。

第三次选择时，我们选取了位置小于3的li节点，也就是位置序号为1和2的节点，得到的结果就是前两个li节点。

第四次选择时，我们选取了倒数第三个li节点，中括号中传入last()-2即可。因为last()是最后一个，所以last()-2就是倒数第三个。
'''

'''
10, 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
'''

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html"><span>first item</span></a><code class="lang-python">
            <span class="kwd">print</span><span class="pun">(</span><span class="pln">result</span><span class="pun">)</span></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)
num('=10')
'''
第一次选择时，我们调用了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，这次在冒号后面加了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，所以返回的结果只包含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。


'''