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