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,它还提供超过 100 个内置函数,用于字符串、数值、时间的匹配以及节点、序列的处理等,几乎所有想要定位的节点都可以用 XPath 来选取。XPath详细使用教程见:XPath 教程。
1.Xpath语法介绍
1.1. 路径常用规则
表达式 | 描述 | 实例 |
|
nodename | 选取此节点的所有子节点 | xpath('//div') | 选取了div节点的所有子节点 |
/ | 从根节点选取 | xpath('/div') | 从根节点上选取div节点 |
// | 选取所有当前节点,不考虑位置 | xpath('//div') | 选取所有的div节点 |
. | 选取当前节点 | xpath('./div') | 选取当前节点下的div节点 |
.. | 选取当前节点的父节点 | xpath('..') | 回到上一个节点 |
@ | 选取属性 | xpath('//@calss') | 选取所有的class属性 |
1.2. 谓语规则
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指定的值节点。
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div节点 |
xpath('/body/div[positon()<3]') | 选取body下前两个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元素值大于35的div节点 |
1.3. 通配符
通配符来选取未知的XML元素。
表达式 | 结果 |
xpath('/div/*') | 选取div下的所有子节点 |
xpath('/div[@*]') | 选取所有带属性的div节点 |
1.4. 取多个路径
使用“|”运算符可以选取多个路径。
表达式 | 结果 |
xpath('//div|//table') | 选取所有的div和table节点 |
1.5. 功能函数
使用功能函数能够更好进行模糊搜索。
函数 | 用法 | 解释 |
starts-with | xpath('//div[starts-with(@id,"ma")]') | 选取id值以ma开头的div节点 |
contains | xpath('//div[contains(@id,"ma")]') | 选取id值包含ma的div节点 |
and | xpath('//div[contains(@id,"ma") and contains(@id,"in")]') | 选取id值包含ma和in的div节点 |
text() | xpath('//div[contains(text(),"ma")]') | 选取节点文本包含ma的div节点 |
2. XPath定位
XPath定位,相较于id、name等其他定位方法,定位方式多样,使用灵活。
2.1. 绝对路径定位
绝对路径定位不推荐,可以通过开发者页面,右键copy - copy full xpath直接获取。示例如下。
/html/body/div[4]/div/div[2]/div/div[1]
2.2. 相对路径定位
相对路径定位,以//开头,后面跟标签名。相对路径定位是最常用的定位方式,一般结合以下其他定位方式,共同组成元素的xpath路径。示例如下。
//input 匹配所有input元素
//div/input 匹配所有父级为div的input元素
//a/.. 匹配子级中有a的所有元素(即,匹配所有a元素的父级)
2.3. 索引定位
索引路径定位,在[]中填写索引数值,第一个元素的索引值为1。
//div[2] 匹配所有在兄弟级中排第2的div元素(即,任意元素下的第2个div元素)
2.4. 属性名称定位
//input[@placeholder] 匹配所有包含placeholder属性的input元素
2.5. 属性值定位
//input[@type='text']
匹配所有type属性为text的input元素
//input[@type='text'] [@placeholder='请输入名称']
匹配所有type属性为text,且placeholder属性为“请输入名称”的input元素
//input[@type='text' and @placeholder='请输入名称']
匹配所有type属性为text,且placeholder属性为“请输入名称”的input元素
//input[@type='text' or @placeholder='请输入名称']
匹配所有type属性为text,或placeholder属性为“请输入名称”的input元素
2.6. 属性值模糊定位
//input[start-with(@id, 'pre')] 匹配所有id属性以pre开头的input元素
//input[ends-with(@id, ’name’)] 匹配所有id属性以name结尾的input元素
//input[contains-with(@id, 'user')] 匹配所有id属性包含user的input元素
//input[@*='username'] 匹配所有任意属性值为username的input元素
2.7. 函数定位
//span[text()='删除'] 匹配所有文本为“删除”的span元素
//div/input[last()] 匹配所有div子级的最后一个input元素
2.8. 轴定位
轴定位可以简化定位语句、扩大定位范围。常用的xpath轴一般有ancestor(当前节点所有先辈)、descendant(当前节点所有后代元素)。
//div[contains(@class, 'el-table__body-wrapper')]/descendant::span[text()='NO.1234’]
先根据contains规则匹配div元素,在其后代元素中匹配对应规则的span元素
2.9. XPath编写原则
在实际使用中,几乎所有元素都可以通过不同的方式,编写xpath路径定位到。为减小页面变动对元素定位的影响,应遵守以下规则:
1. 更多地使用相对路径定位
2. 尽量避免使用数字索引
3. 锚元素(“//”后的第一个元素)尽量使用变化少、距离目标元素近的元素
2.10. XPath定位结果验证
XPath定位语句编写是否正确,可在开发者工具中进行验证。
浏览器按F12打开开发者工具,进入console模块,输入$x(),在括号中填写定位语句,回车执行即可,如有符合的元素会显示。
3.XPath解析
爬虫抓取到的网页源码虽然是HTML文档,但是其实是字符串类型的数据。而xpath解析的是html或者lxml文档中的标签元素对象,不是字符串。我们就需要将抓到的字符串类型源码转换为html或者lxml文档中的标签元素对象,然后就可以正常使用xpath路径表达式进行解析查找。如何将字符串内容转换成标签元素对象,要使用 lxml 库里面的 etree 模块中的 HTML() 方法,语法格式如下:
from lxml import etree # 导入 lxml 库中的 etree 模块
变量名 = etree.HTML(网页源码) # 使用 etree 模块的 HTML() 方法,括号中就是爬虫拿到的字符串类型的网页源码,将转换后的标签对象用变量保存
从本地文件导入解析:
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
html.xpath('//*div')
从response导入解析
import requests
from lxml import etree
url = 'www.baidu.com'
response = requests.get(url).content.decode()
print(type(response)) # 字符串类型
html = etree.HTML(response)
print(type(html)) # 标签对象
html.xpath('//*div')
4.值获取
参考文章:Python爬虫之xpath的基本使用(解析HTML详细介绍)_xpath中,( ) 表示不论该元素在html 中的任何位置,均选取该元素。-CSDN博客