Python爬虫利器三之Xpath语法与lxml库的用法

栏目: 编程语言 · Python · 发布时间: 7年前

内容简介：前面我们介绍了 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath。

前言

前面我们介绍了 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath。

参考来源

lxml用法源自 lxml python 官方文档，更多内容请直接参阅官方文档，本文对其进行翻译与整理。
XPath语法参考 w3school

安装

pip install lxml

利用 pip 安装即可

##XPath语法

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 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

节点关系

（1）父（Parent）

每个元素以及属性都有一个父。

在下面的例子中，book 元素是 title、author、year 以及 price 元素的父：

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

（2）子（Children）

元素节点可有零个、一个或多个子。

在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子：

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

（3）同胞（Sibling）

拥有相同的父的节点

在下面的例子中，title、author、year 以及 price 元素都是同胞：

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

（4）先辈（Ancestor）

某节点的父、父的父，等等。

在下面的例子中，title 元素的先辈是 book 元素和 bookstore 元素：

<bookstore>

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

</bookstore>

（5）后代（Descendant）

某个节点的子，子的子，等等。

在下面的例子中，bookstore 的后代是 book、title、author、year 以及 price 元素：

<bookstore>

<book>
  <title>Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

</bookstore>

选取节点

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：

|表达式 | 描述 | ------------ | ------------ |nodename | 选取此节点的所有子节点。 |/ | 从根节点选取。 |// |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。 |.| 选取当前节点。 |..| 选取当前节点的父节点。 |@ | 选取属性。

实例

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：

|路径表达式 | 结果 | ------------ | ------------ |bookstore | 选取 bookstore 元素的所有子节点。 |/bookstore | 选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！ |bookstore/book | 选取属于 bookstore 的子元素的所有 book 元素。 |//book | 选取所有 book 子元素，而不管它们在文档中的位置。 |bookstore//book | 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。 |// @ lang | 选取名为 lang 的所有属性。

谓语（Predicates）

谓语用来查找某个特定的节点或者包含某个指定的值的节点。

谓语被嵌在方括号中。

实例

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

|路径表达式 | 结果 |-----|----- |/bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |/bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |/bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |/bookstore/book[position()<3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |//title[@ lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |//title[@ lang=’eng’] | 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。 |/bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。 |/bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

|通配符 | 描述 |---- | ---- |* | 匹配任何元素节点。 |@* | 匹配任何属性节点。 |node() | 匹配任何类型的节点。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

| 路径表达式 | 结果 | ---- | ---- | /bookstore/* | 选取 bookstore 元素的所有子元素。 | //* | 选取文档中的所有元素。 | //title[@*] | 选取所有带有属性的 title 元素。

选取若干路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

| 路径表达式 | 结果 | ---- | ---- | //book/title | //book/price | 选取 book 元素的所有 title 和 price 元素。 | //title | //price | 选取文档中的所有 title 和 price 元素。 | /bookstore/book/title | //price | 选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。

XPath 运算符

下面列出了可用在 XPath 表达式中的运算符：

| 运算符 | 描述 | 实例 | 返回值 | ---- | ---- | ---- | ---- | - | 计算两个节点集 | //book //cd | 返回所有拥有 book 和 cd 元素的节点集 | + | 加法 | 6 + 4 | 10 | – | 减法 | 6 – 4 | 2 | * | 乘法 | 6 * 4 | 24 | div | 除法 | 8 div 4 | 2 | = | 等于 | price=9.80 | 如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。 | != | 不等于 | price!=9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。 | < | 小于 | price<9.80 | 如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。 | <= | 小于或等于 | price<=9.80 | 如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。 | > | 大于 | price>9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。 | >= | 大于或等于 | price>=9.80 | 如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。 | or | 或 | price=9.80 or price=9.70 | 如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。 | and | 与 | price>9.00 and price<9.90 | 如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。 | mod | 计算除法的余数 | 5 mod 2 | 1

lxml用法

初步使用

首先我们利用它来解析 HTML 代码，先来一个小例子来感受一下它的基本用法。

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)

首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。

其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。

所以输出结果是这样的

<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>

不仅补全了 li 标签，还添加了 body，html 标签。

文件读取

除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为

<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"><span class="bold">third item</span></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>

利用 parse 方法来读取文件。

from lxml import etree
html = etree.parse('hello.html')
result = etree.tostring(html, pretty_print=True)
print(result)

同样可以得到相同的结果。

XPath实例测试

依然以上一段程序为例

（1）获取所有的标签

from lxml import etree
html = etree.parse('hello.html')
print type(html)
result = html.xpath('//li')
print result
print len(result)
print type(result)
print type(result[0])

运行结果

<type 'lxml.etree._ElementTree'>
[<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>]
5
<type 'list'>
<type 'lxml.etree._Element'>

可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个元素，每个元素都是 Element 类型

（2）获取标签的所有 class

result = html.xpath('//li/@class')
print result

运行结果

['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

（3）获取标签下 href 为 link1.html 的标签

result = html.xpath('//li/a[@href="link1.html"]')
print result

运行结果

[<Element a at 0x10ffaae18>]

（4）获取标签下的所有标签

注意这么写是不对的

result = html.xpath('//li/span')

因为 / 是用来获取子元素的，而并不是的子元素，所以，要用双斜杠

result = html.xpath('//li//span')
print result

运行结果

[<Element span at 0x10d698e18>]

（5）获取标签下的所有 class，不包括

result = html.xpath('//li/a//@class')
print result

运行结果

['blod']

（6）获取最后一个的的 href

result = html.xpath('//li[last()]/a/@href')
print result

运行结果

['link5.html']

（7）获取倒数第二个元素的内容

result = html.xpath('//li[last()-1]/a')
print result[0].text

运行结果

fourth item

（8）获取 class 为 bold 的标签名

result = html.xpath('//*[@class="bold"]')
print result[0].tag

运行结果

span

通过以上实例的练习，相信大家对 XPath 的基本用法有了基本的了解。也可以利用 text 方法来获取元素的内容。

大家多加练习！

结语

XPath 是一个非常好用的解析方法，同时也作为爬虫学习的基础，在后面的 selenium 以及 scrapy 框架中都会涉及到这部分知识，希望大家可以把它的语法掌握清楚，为后面的深入研究做好铺垫。

以上所述就是小编给大家介绍的《Python爬虫利器三之Xpath语法与lxml库的用法》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对码农网的支持！

查看所有标签

猜你喜欢:

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。

码农书籍

财富博客

Robert Scoble、Shel Israel / 李宛蓉 / 重庆出版社 / 2008 / 38.00元

《财富博客》作者斯考伯（美国最多人阅读的企业博客作者）和谢尔•以色列（资深技术顾问）相信，博客已经开始改变企业的面貌。他们阐释说明了员工博客如何改变外界对微软的观感，敢说敢做的NBA球队老板如何运用博客和球迷连接，小企业和大公司又如何能从博客获益……另外，还有万一使用不当，博客又会招致怎样的灾难。斯考伯和以色列直言不讳，这是卓越博客的基本要件，因此他们在说完博客的好处之后，也以同样诚实的心态讨论博......一起来看看《财富博客》这本书的介绍吧!

码农工具