XPath
https://www.w3school.com.cn/xpath/index.asp
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
所以在做爬虫时,完全可以用 XPath 来做相应的信息抽取
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 |
//title[@lang='eng']
就是一个 XPath 规则,它代表选择所有名称为 title,同时属性 lang 的值为 eng 的节点
实例引入
现在通过实例感受一下使用 XPath
来对网页进行解析的过程,相关代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17 | from lxml import etree
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 = etree.tostring(html)
print(result.decode('utf-8'))
|
这里首先导入 lxml
库的 etree
模块,然后声明了一段 HTML 文本,调用 HTML 类进行初始化,这样就成功构造了一个XPath
解析对象。这里需要注意的是,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
这里我们调用 tostring()
方法即可输出修正后的 HTML 代码,但是结果是bytes
类型。这里利用decode()
方法将其转成str
类型,结果如下
| <html><body><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>
</li></ul>
</div>
</body></html>
|
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
另外,也可以直接读取文本文件进行解析,示例如下
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = etree.tostring(html)
print(result.decode('utf-8'))
|
其中test.html
的内容就是上面例子中和 HTML 代码
这里的输出结果略有不同,多了一个DOCTYPE
的声明,不过对解析无任何影响,结果如下:
| <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><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>
</li></ul>
</div></body></html>
|
所有节点
我们一般会用//
开头的XPath
规则来选取所有符合要求的节点。这里以前面的 HTML 文本为例,如果要选取所有节点,可以这样实现
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//*')
print(result)
"""
[<Element html at 0x10cb346c8>, <Element body at 0x10cb347c8>, <Element div at 0x10cb34808>, <Element ul at 0x10cb34848>, <Element li at 0x10cb34888>, <Element a at 0x10cb34908>, <Element li at 0x10cb34948>, <Element a at 0x10cb34988>, <Element li at 0x10cb349c8>, <Element a at 0x10cb348c8>, <Element li at 0x10cb34a08>, <Element a at 0x10cb34a48>, <Element li at 0x10cb34a88>, <Element a at 0x10cb34ac8>]
"""
|
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
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
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])
"""
[<Element li at 0x1080df788>, <Element li at 0x1080df7c8>, <Element li at 0x1080df808>, <Element li at 0x1080df848>, <Element li at 0x1080df888>]
<Element li at 0x1080df788>
"""
|
这里要选取所有li
节点,可以使用//
,然后直接加上节点名称,调用时直接使用xpath()
方法即可
这里可以看到提取结果是一个列表形式,其中每个元素都是一个Element
对象。如果要取其中一个对象,可以直接用中括号加索引,如[0]
子节点
我们通过/
或//
即可查找元素的子节点或子孙节点。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
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a')
print(result)
"""
[<Element a at 0x10c7dd848>, <Element a at 0x10c7dd888>, <Element a at 0x10c7dd8c8>, <Element a at 0x10c7dd908>, <Element a at 0x10c7dd948>]
"""
|
这里通过追加/a
即选择所有li
节点的所有直接a
子节点。因为//li
用于选中所有li
节点,/a
用于选中li
节点的所有直接子节点a
,二者合在一起即获取所有li
节点的所有直接a
子节点
此处的/
用于选取直接子节点,如果要获取所有子孙节点,就可以使用//
。例如,要获取ul
节点下的所有子孙节点a
节点,可以这样实现
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//ul//a')
print(result)
"""
[<Element a at 0x104f977c8>, <Element a at 0x104f97808>, <Element a at 0x104f97848>, <Element a at 0x104f97888>, <Element a at 0x104f978c8>]
"""
|
但是如果这里用//ul/a
,就无法获取任何结果。因为/
用于获取直接子节点,而在ul
节点下没有直接的a
子节点,只有li
节点,所有无法获取任何匹配结果
因此,我们要注意/
和//
的区别,其中/
用于获取直接子节点,//
用于获取子孙节点
父节点
我们知道通过连续的/
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
比如,现在首先选中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,相关代码如下
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)
"""
['item-1']
"""
|
结果正是我们获取的目标li
节点的class
同时,我们也可以通过parent::
来获取父节点,代码如下:
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')
print(result)
"""
['item-1']
"""
|
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-0
的li
节点,可以这样实现
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)
"""
[<Element li at 0x10c129888>, <Element li at 0x10c1298c8>]
"""
|
这里我们通过加入[@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
文本获取
我们用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:
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/text()')
print(result)
"""
['\n ']
"""
|
奇怪的是,我们没有获取到任何文本,只获取到一个换行符,这是为什么呢?因为XPath
中text()
前面是/
,而此处/
的含义是选取直接子节点,很明显li
的直接子节点都是a
节点,文本都是在a
节点内部的,所以这里匹配到的结果就是被修正的li
节点内部的换行符,因为自动修正的li
节点的尾标签换行了
即选中的是这两个节点:
| <li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</li>
|
其中一个节点因为自动修正,li
节点的尾标签添加的时候换行了,所以提取文本得到的唯一结果就是li
节点的尾标签和a
节点的尾标签之间的换行符
因此,如果想获取li
节点内部的文本,就有两种方式,一种是先选取a
节点再获取文本,另一种就是使用//
。接下来,我们来看下二者的区别
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)
"""
['first item', 'fifth item']
"""
|
可以看到,这里的返回值是两个,内容都是属性为item-0
的li
节点的文本,这也印证了前面属性匹配的结果是正确的
这里我们是逐层选取的,先选取了li
节点,又利用/
选取了其直接子节点a
,然后再选取其文本,得到的结果恰好是符合我们预期的两个结果
再来看下用另一种方式(即使用//
)选取的结果,代码如下
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]//text()')
print(result)
"""
['first item', 'fifth item', '\n ']
"""
|
不出所料,这里的返回结果是 3 个。可想而知,这里是选取所有子孙节点的文本,其中前两个就是li
的子节点a
节点内部的文本,另外一个就是就是最后一个li
节点内部的文本,即换行符
所以说,如果要想获取子孙节点内部的所有文本,可以直接用//
加text()
的方式,这样可以保证获取最全面的文本信息,但是可能会夹杂一些换行符等特殊字符。如果想获取某些特定子孙节点下的所有文本,可以先选取到特定的子孙节点,然后再调用text()
方法获取其内部文本,这样可以保证获取的结果是整洁的
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,代码如下:
| from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)
"""
['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']
"""
|
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"]
,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
属性多值匹配
有时候,某些节点的某个属性可能有多个值,例如
| from lxml import etree
text = """
<li class="li li-first"><a href="link.html">first item</a></li>
"""
html = etree.HTML(text)
result = html.xpath('//li[@class="li"]/a/text()')
print(result)
"""
[]
"""
|
这里 HTML 文本中的li
节点的class
属性有两个值li
和li-first
,此时如果还想用之前的属性匹配获取,就无法匹配了
这时就需要用contains()
函数了
| from lxml import etree
text = """
<li class="li li-first"><a href="link.html">first item</a></li>
"""
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "li")]/a/text()')
print(result)
"""
['first item']
"""
|
这样通过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
多属性匹配
另外,我们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。此时可以使用运算符and
来连接
| from lxml import etree
text = """
<li class="li li-first" name="item"><a href="link.html">first item</a></li>
"""
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')
print(result)
"""
['first item']
"""
|
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
另外,还有很多运算符,如or
、mod
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,这时该怎么办?
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27 | from lxml import etree
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)
"""
['first item']
['fifth item']
['first item', 'second item']
['third item']
"""
|
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
这里我们使用了last()
、position()
等函数。在XPath
中,提供了 100 多个函数,包括存取、数值、字符串、逻辑、节点、序列等处理功能
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,示例如下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36 | from lxml import etree
text = """
<div>
<ul>
<li class="item-0"><a href="link1.html"><span>first item</span></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]/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)
"""
[<Element html at 0x102f59808>, <Element body at 0x102f59788>, <Element div at 0x102f59748>, <Element ul at 0x102f59848>]
[<Element div at 0x102f59748>]
['item-0']
[<Element a at 0x102f59788>]
[<Element span at 0x102f59848>]
[<Element a at 0x102f59788>]
[<Element li at 0x102f59848>, <Element li at 0x102f59888>, <Element li at 0x102f598c8>, <Element li at 0x102f59908>]
"""
|
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(第一个后续节点是它本身)
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