Python解析库Lxml与Xpath用法总结

[[375111]]

本文主要围绕以xpath和lxml库进行展开：

一、xpath 概念、xpath节点、xpath语法、xpath轴、xpath运算符

二、lxml的安装、lxml的使用、lxml案例

一、xpath

1.xpath概念

XPath 是一门在 XML 文档中查找信息的语言。XPath 使用路径表达式在 XML 文档中进行导航 。XPath 包含一个标准函数库 。XPath 是 XSLT 中的主要元素 。XPath 是一个 W3C 标准 。

2.xpath节点

xpath有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档(根)节点。

节点关系：父、子、兄弟、先辈、后辈。

3.xpath语法

xpath语法在W3c网站上有详细的介绍，这里截取部分知识，供大家学习。

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(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。

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：

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

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：

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。

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：

4.xpath 轴

轴可定义相对于当前节点的节点集。

5.xpath运算符

下面列出了可用在 XPath 表达式中的运算符：

好了，xpath的内容就这么多了。接下来我们要介绍一个神器lxml，他的速度很快，曾经一直是我使用beautifulsoup时最钟爱的解析器，没有之一，因为他的速度的确比其他的html.parser 和html5lib快了许多。

二、lxml

1.lxml安装

lxml 是一个xpath格式解析模块，安装很方便，直接pip install lxml 或者easy_install lxml即可。

2.lxml 使用

lxml提供了两种解析网页的方式，一种是你解析自己写的离线网页时，另一种 则是解析线上网页。

导入包：

from lxml import  etree 

1.解析离线网页：

html=etree.parse('xx.html',etree.HTMLParser()) 
aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href') 
print(aa) 

2.解析在线网页：

from lxml import etree 
import requests 
rep=requests.get('https://www.baidu.com') 
html=etree.HTML(rep.text) 
aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href') 
print(aa) 

那么我们怎么获取这些标签和标签对应的属性值了，很简单，首先获取标签只需你这样做：

然后我们可以，比方说，你要获取a标签内的文本和它的属性href所对应的值，有两种方法，

1.表达式内获取

aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/text()') 
 
ab=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href') 

2.表达式外获取

aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]') 
 
aa.text 
 
aa.attrib.get('href') 

这样就完成了获取，怎么样，是不是很简单了，哈哈哈。

下面再来lxml的解析规则：

html = lxml.etree.HTML(text) 
#使用text构造一个XPath解析对象,etree模块可以自动修正HTML文本 
html = lxml.etree.parse('./ex.html',etree.HTMLParser()) 
#直接读取文本进行解析 
from lxml import etree 
result = html.xpath('//*') 
#选取所有节点 
result = html.xpath('//li') 
#获取所有li节点 
result = html.xpath('//li/a') 
#获取所有li节点的直接a子节点 
result = html.xpath('//li//a') 
#获取所有li节点的所有a子孙节点 
result = html.xpath('//a[@href="link.html"]/../@class') 
#获取所有href属性为link.html的a节点的父节点的class属性 
result = html.xpath('//li[@class="ni"]') 
#获取所有class属性为ni的li节点 
result = html.xpath('//li/text()') 
#获取所有li节点的文本 
result = html.xpath('//li/a/@href') 
#获取所有li节点的a节点的href属性 
result = html.xpath('//li[contains(@class,"li")]/a/text()) 
#当li的class属性有多个值时，需用contains函数完成匹配 
result = html.xpath('//li[contains(@class,"li") and @name="item"]/a/text()') 
#多属性匹配 
result = html.xpath('//li[1]/a/text()') 
result = html.xpath('//li[last()]/a/text()') 
result = html.xpath('//li[position()<3]/a/text()') 
result = html.xpath('//li[last()-2]/a/text()') 
#按序选择，中括号内为XPath提供的函数 
result = html.xpath('//li[1]/ancestor::*') 
#获取祖先节点 
result = html.xpath('//li[1]/ancestor::div') 
result = html.xpath('//li[1]/attribute::*') 
#获取属性值 
result = html.xpath('//li[1]/child::a[@href="link1.html"]') 
#获取直接子节点 
result = html.xpath('//li[1]/descendant::span') 
#获取所有子孙节点 
result = html.xpath('//li[1]/following::*[2]') 
#获取当前节点之后的所有节点的第二个 
result = html.xpath('//li[1]/following-sibling::*') 
#获取后续所有同级节点 

3.lxml案例

为了偷懒，小编决定还是采用urllib那篇文章的代码，哈哈哈，机智如我。

好了，今天就讲这么多，大家感兴趣的话可以多多关注哦，精彩不停息!!!!

本文参考文献：

https://www.w3school.com.cn/

本文转载自微信公众号「IT共享之家」，可以通过以下二维码关注。转载本文请联系IT共享之家公众号。