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。
'''