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
- /: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="navli">
- <span class="nav_tit">
- <a href="https://www.baidu.com/">
- 百度
- </a>
- <i class="group" />
- </span>
- </div>
- <div class="navli">
- <span class="nav_tit">
- <a href="https://news.cctv.com/">
- 新闻频道
- </a>
- </span>
- </div>
- <div class="navli">
- <span class="nav_tit">
- <a href="https://sports.cctv.com/">
- 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 etree
- text = '''
- <div>
- <ul id='ultest'>
- <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"><span>fourth item</span></a></li>
- <li class="item-0"><a href="link5.html">fifth item</a> # 注意,此处缺少一个 </li> 闭合标签
- </ul>
- </div>
- '''
- # 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 'lxml.etree._Element'>
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("body"))
- //[<Element body at 0x1966d1c48c0>]
- print(page.xpath("ul"))
- // []
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("/html"))
- // [<Element html at 0x27107f41100>]
- print(page.xpath("/body"))
- // []
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("//li"))
- // [<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("//ul")
- print(ul)
- print(ul[0].xpath("."))
- print(ul[0].xpath("./li"))
- // [<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(".."))
- // []
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("@id"))
- // ['ultest']
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='www.baidu.com'] href属性值为'www.baidu.com'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:
- # 第三个li标签
- print(page.xpath('//ul/li[3]'))
- # 最后一个li标签
- print(page.xpath('//ul/li[last()]'))
- # 倒数第二个li标签
- print(page.xpath('//ul/li[last()-1]'))
- # 序号小于3的li标签
- print(page.xpath('//ul/li[position()<3]'))
- # 有class属性的li标签
- print(page.xpath('//li[@class]'))
- # class属性为item-inactive的li标签
- print(page.xpath("//li[@class='item-inactive']"))
获取文本
text()
我们用text()获取某个节点下的文本:
- print(page.xpath('//ul/li/a/text()'))
- // ['first item', 'second item', 'third item', 'fourth item', 'fifth item']
string()
我们用string()获取某个节点下所有的文本:
- print(page.xpath('string(//ul)'))
输出内容为:
- first item
- second item
- third item
- fourth item
- fifth item # 注意,此处缺少一个 闭合标签
fifth item # 注意,此处缺少一个 闭合标签
通配符
- * 任意元素
- @* 任意属性
* 表示匹配任何元素节点:
- print(page.xpath('//li/*'))
- // [<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('//li/@*'))
- // ['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
或运算
通过在路径表达式中使用"|"运算符,可以实现选取若干个路径。
- # 选取所有的li和a节点
- print(page.xpath("//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
xpath内置很多函数。更多函数查看https://www.w3school.com.cn/xpath/xpath_functions.asp。
- 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='....' 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。
- print(page.xpath("//*[contains(@class, 'item-inactive')]"))
- // []
starts-with
- print(page.xpath("//*[starts-with(@class, 'item-inactive')]"))
- // [<Element li at 0x1a297641d00>]
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('//li[1]/ancestor::*'))
- // [, , , ]
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('//li[1]/attribute::*'))
- // ['item-0']
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('//li[1]/child::a[@href="link1.html"]'))
- // [<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('//li[4]/descendant::span'))
- // [<Element span at 0x1a4d5700d00>]
following轴
调用 following 轴,获取当前节点之后的所有节点。
- print(page.xpath('//li[4]/following::*[2]'))
- // [<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。
- print(page.xpath('//li[4]/following-sibling::*'))
- // []
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。