大家在写爬虫时,往往获取到网页之后,需要从网页中提取我们需要的信息。这时候就需要用到 xpath 或者 css 选择器来定位页面元素信息。但是,由于这两者都是非人性化的语法,导致好多人望而生畏,经常为这个发愁。
今天我就尝试用一篇文章来道尽 xpath 解析 HTML 的方方面面,希望大家看完这篇文章后,从此不再害怕 xpath 解析。
路径表达式
nodename:选取此节点的所有子节点
先贴一个lxml的简单框架:其中,最主要的在于xpath路径的获取和解析,而XPath就是地址,具体地,就是需要知道所要寻找的内容处在哪个地址下。一般而言,我们可以根据开发者工具来定位我们需要的元素,然后右击选择其所在xpath,。
从当前节点选取直接子节点
从当前接点选取子孙节点
.:选取当前节点
..:选取当前接点的父节点
@:选取属性
我们先放上一段 HTML 代码:
<html><head><title>Xpath test page</title></head><body><div class=&34;><span class=&34;><a href=&34;group&34;navli&34;nav_tit&34;;>新闻频道</a></span></div><div class=&34;><span class=&34;><a href=";>体育频道</a></span></div></body></html>
接下来,我们针对这段 HTML 代码来进行 xpath 解析。
要进行 xpath 解析,我们先要将 HTML 文本转化成对象:
from lxml import etreetext = &39;&39;ultest&34;item-0&34;link1.html&34;item-1&34;link2.html&34;item-inactive&34;link3.html&34;item-1&34;link4.html&34;item-0&34;link5.html& 注意,此处缺少一个 </li> 闭合标签 </ul> </div>&39;& 调用HTML类进行初始化,这样就成功构造了一个XPath解析对象。page = etree.HTML(text)print(type(page))
我们可以看到打印的结果:
<class &39;>
nodename
nodename 表示根据标签名字选取标签,注意只会选择子标签!比如:如果是儿子的儿子则选取不到。
print(page.xpath(&34;))//[<Element body at 0x1966d1c48c0>]print(page.xpath(&34;))// []
这个 nodename 我有点不是太清楚,当我使用 body 时,可以找到出 body 节点元素,但是使用 ul 时,找不到 ul 节点元素,打印的是空。这个网上搜索也没有什么准确的答案,如果你知道这里面的原理,还请告诉我。
表示从根节点选取一级一级筛选(不能跳)。
print(page.xpath(&34;))// [<Element html at 0x27107f41100>]print(page.xpath(&34;))// []
可以看到,我选取根节点 html ,可以打印出根节点元素,而我选取 body 打印时,是找不到的,这个符号只能从根节点开始找。
表示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。注意:是所有符合条件的。
print(page.xpath(&34;))// [<Element li at 0x1cd2a325780>,<Element li at 0x1cd2a325840>,<Element li at 0x1cd2a3259c0>,<Element li at 0x1cd2a325b00>,<Element li at 0x1cd2a325ac0>]
.
. 表示选取当前标签。
ul = page.xpath(&34;)print(ul)print(ul[0].xpath(&34;))print(ul[0].xpath(&34;))// [<Element ul at 0x1cd2a325840>]// [<Element ul at 0x1cd2a325840>]// [<Element li at 0x1cd2a325700>,<Element li at 0x1cd2a325b00>,<Element li at 0x1cd2a325640>,<Element li at 0x1cd2a325ac0>,<Element li at 0x1cd2a325c00>]
我们先定位到 ul 元素节点,这里的结果是一个列表,然后再打印当前节点列表的第一个 ul,接着我们打印这个 ul 节点的子节点 li。
..
.. 表示选取当前标签的父节点。
print(ul[0].xpath(&34;))// [<Element div at 0x1cd2a325b00>]
这里打印第一个 ul 节点的父元素,也就是 div 。
@
@ 表示获取标签的属性值。
print(ul[0].xpath(&34;))// [&39;]
我们打印第一个 ul 节点的 id 属性,可以看到结果是 ‘ultest’。
谓语
谓语用来查找某个或某些特定的节点或者包含某个指定值的节点。谓语被嵌在方括号中。
/a[n] n为大于零的整数,代表子元素排在第n个位置的<a>元素//a[last()] last()代表子元素排在最后个位置的<a>元素//a[last()-]和上面同理,代表倒数第二个//a[position()<3] 位置序号小于3,也就是前两个,这里我们可以看出xpath中的序列是从1开始//a[@href]拥有href的<a>元素//a[@href=&39;]href属性值为&39;的<a>元素//book[@price>2]price值大于2的<book>元素
同样的,我们来举一些例子:
获取文本
text()
我们用text()获取某个节点下的文本:
print(page.xpath(&39;))// [&39;,&39;,&39;,&39;,&39;]
string()
我们用string()获取某个节点下所有的文本:
print(page.xpath(&39;))
输出内容为:
通配符
* 任意元素
@* 任意属性
* 表示匹配任何元素节点:
print(page.xpath(&39;))// [<Element a at 0x208931f0f00>,<Element a at 0x208931f0f40>,<Element a at 0x208931f0c40>,<Element a at 0x208931f0d80>,<Element a at 0x208931ff080>]
@* 表示匹配任何属性节点:
print(page.xpath(&39;))// [&39;,&39;,&39;,&39;,&39;]
或运算
通过在路径表达式中使用&34;运算符,可以实现选取若干个路径。
34;//li|//a"))// [<Element li at 0x29bb7190ac0>,<Element a at 0x29bb7190b00>,<Element li at 0x29bb7190f00>,<Element a at 0x29bb7190dc0>,<Element li at 0x29bb7190fc0>,<Element a at 0x29bb7190e00>,<Element li at 0x29bb7190f80>,<Element a at 0x29bb71b1080>,<Element li at 0x29bb71b1040>,<Element a at 0x29bb7190cc0>]
函数
因为每个标签都是各自父元素的最后一个元素。#本来每个li就只有一个子元素,所以都是最后一个print(html.xpath("//li/a[last()]/text()"))print(html.xpath("//li/a[contains(text(),'third')]")) 【结果为。
xpath内置很多函数。更多函数查看。
contains(string1,string2)
starts-with(string1,string2)
text()
last()
position()
node()
contains
有的时候,class作为选择条件的时候不合适@class=&39; 这个是完全匹配,当网页样式发生变化时,class或许会增加或减少像active的class。用contains就能很方便。
starts-with
print(page.xpath(&39;item-inactive&34;))// [<Element li at 0x1a297641d00>]
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。下面列出了最有用的路径表达式:在下面的表格中,我们已列出了一些路径表达式以及表达式的结果:谓语用来查找某个特定的节点或者包含某个指定。
其他几个函数,我们在上面使用过。注意,并不是所有的 xpath 函数python都会支持,比如 ends-with(string1,string2) 和 upper-case(string) 就不支持。
节点轴选择
ancestor轴
调用 ancestor 轴,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。返回结果:第一个li节点的所有祖先节点。
print(page.xpath(&39;))// [<Element html at 0x26ead5d2d40>,<Element body at 0x26eae63fdc0>,<Element div at 0x26eae628c00>,<Element ul at 0x26eae63fd40>]
attribute轴
调用 attribute 轴,获取所有属性值。返回结果:li节点的所有属性值。
print(page.xpath(&39;))// [&39;]
child轴
调用 child 轴,获取所有直接子节点。返回结果:选取 href 属性为 link1.html 的 a 子节点。
print(page.xpath(&34;link1.html&39;))// [<Element a at 0x13972af5b40>]
descendant轴
调用 descendant 轴,获取所有子孙节点。同时加了限定条件。返回结果:选取 li 节点下的子孙节点里的 span 节点。
print(page.xpath(&39;))// [<Element span at 0x1a4d5700d00>]
following轴
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即为XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言。XPath基于XML的树状结构,提供在数据结构树中。
调用 following 轴,获取当前节点之后的所有节点。
print(page.xpath(&39;))// [<Element a at 0x1583f8c0d00>]
following-sibling轴
调用 following-sibling 轴,获取当前节点之后的所有同级节点。
总结
到这里,我们的 xpath 学习之路就结束了,文章中基本涵盖了大家需要用的的 xpath 解析方法。大家看一遍没记住不要紧,以后遇到此类解析直接搬出这篇文章对照着写就行。