爬虫：Xpath定位

最新推荐文章于 2024-12-13 10:53:51 发布

原创最新推荐文章于 2024-12-13 10:53:51 发布 · 2.8k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#爬虫 #python #开发语言

爬虫【python】专栏收录该内容

16 篇文章

订阅专栏

本文介绍了XPath在网页解析中的应用，详细讲解了XPath的常用规则，包括选择所有节点、子节点、父节点、属性匹配、文本获取等功能。通过实例展示了如何使用XPath在Python中进行网页元素定位，并探讨了XPath的高级用法，如多属性匹配和按顺序选择节点。

对于网页的节点来说，定义id，class或其他属性。而且节点之间还有层级关系，在网页中通过XPath或CSS选择器来定位一个或多个节点，对于这种解析库非常多，其中比较强大的库有lmxl，Beautiful Soup、pyquery等，

XPath概览

XPath，全程XML Path Language ，即XML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

XPath的选择功能十分强大，它提供了非常简介明了的路径选择表达式，另外，他还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等。几乎所有我们想要定位的节点，都可以用XPath来选择。

XPath与1999年11月16日成为W3C标准，他被设计为供XSTL、XPointer以及其他XML解析软件使用，更多的文档可以访问其官方网站：https://www.w3.org/TR/xpath/

XPath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

这里列出了XPath的常用匹配规则，示例：//title[@lang='eng']
选择所有名称为title，同时属性的值为eng的节点

from lxml import etree

text = """
<div>
<ul>
<li class="item-O"><a href="linkl. 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 hrer＝"link5.html">fifth item</a>
</ul>
</div>

"""

htlm = etree.HTML(text)
result = etree.tostring(htlm)
print(result.decode("utf-8"))


结果：
<html><body><div>
<ul>
<li class="item-O"><a href="linkl. 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=""><a hrer="">fifth item</a>
</li></ul>
</div>

</body></html>

首先导入lxml库的etree模块，然后声明一段HTML文本，调用HTML类进行初始化，这杨就构成了一共XPath解析对象，这里需要主义的是，HTML文本中的最后一共li节点是没有闭合的，但是etree模块可以自动修正HTML文本。我们调用totstring() 方法输出即可修正后的HTML代码，但是结果是bytes类型。利用decode()方法将其转成str类型

也可以使用文本解析

from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
resutl = etree.tostring(html)
print(resutl.decode("utf-8"))


结果：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><div>&#13;
<ul>&#13;
<li class="item-O"><a href="linkl. html">first item</a></li>&#13;
<li class="item-1"><a href="link2.html">second item</a></li>&#13;
<li class="item-inactive"><a href="link3.html">third item</a></li>&#13;
<li class="item-1"><a href="link4.html">fourth item</a></li>&#13;
<li class="item-0"><a hrer="link5.html">fifth item</a>&#13;
</li></ul>&#13;
</div></body></html>

这次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

所有的节点

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

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//*")
print(result)

结果：
[<Element html at 0x1bc5238>, <Element body at 0x1bc5210>, <Element div at 0x1bc51e8>, <Element ul at 0x1bc51c0>, <Element li at 0x1bc1eb8>, <Element a at 0x1bc1cb0>, <Element li at 0x1bc1cd8>, <Element a at 0x1bc1d00>, <Element li at 0x1bc1ad0>, <Element a at 0x1bc1aa8>, <Element li at 0x1bc1940>, <Element a at 0x1bc1918>, <Element li at 0x1bc16e8>, <Element a at 0x1bc16c0>]

这里我们获取的是所有节点，也就是整个HTML文本中的所有节点都会被获取，以列表形式返回，每个元素是Element元素，后面跟着节点名称：如html，body，div，ul，li，a等

也可以通过节点来获取：//li 如果是要其中的一个对象也是可以加上索引

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//li")
print(result)

结果
[<Element li at 0x2035210>, <Element li at 0x20351e8>, <Element li at 0x20351c0>, <Element li at 0x2031eb8>, <Element li at 0x2031cb0>]

子节点

通过//或/ 即可查找元素的子节点或子孙节点。举例：选择li节点的所有直接a子节点

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//li/a")
print(result)

结果：
[<Element a at 0x1c451e8>, <Element a at 0x1c451c0>, <Element a at 0x1c45198>, <Element a at 0x1c41e90>, <Element a at 0x1c41cb0>]

通过追加/a即选择了所有li节点的所有直接a子节点。因为//li用户选择所有li节点，/a用户选中li节点的所有直接子节点a，二者组合在一起即获取所有li节点的所有直接a子节点

此处/ 用户选取直接子节点，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

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//ul//a")
print(result)

结果：
[<Element a at 0x1755238>, <Element a at 0x1755210>, <Element a at 0x17551e8>, <Element a at 0x1751ee0>, <Element a at 0x1751cd8>]

运行结果是相同的

获取//ul/a，就无法获取任何结果了，因为/用户获取直接子节点，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

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//ul/a")
print(result)

结果
[]

/ 用户获取直接子节点， // 用户获取子孙节点

父节点

通过连续的 / 或 // 可以查找子节点或子孙节点，那么加入我们直到了子节点，怎么来找父节点？

通过href属性为link4.html 的a 节点，然后再获取其父节点，然后再获取class属性

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//a[@href='link3.html']/../@class")
print(result)

结果：
['item-inactive']

同时我们可以是通过 parent:: 来获取父节点

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//a[@href='link3.html']/parent::*/@class")
print(result)

结果：
['item-inactive']

属性匹配

我们可以使用@符号进行属性过滤。比如，这里如果要选取class 为 item-0 的节点

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//li[@class='item-0']")
print(result)

结果：
[<Element li at 0x22251c0>, <Element li at 0x2225198>]

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，至于是不是正确的两个，后面再验证

文本获取

XPath中的text() 方法获取节点中的文本，获取li节点中的文本

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//li[@class='item-0']/text()")
print(result)

结果：
['\r\n']

我们发现并没有获取到任何文本，值获取到了一个换行符？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节点的内部的换行符，自动修正的li节点的尾标签换行了

匹配选中的是这两个节点：

<li class="item-0"><a href="linkl.html">first item</a></li>
<li class="item-0"><a hrer="link5.html">fifth item</a>
</li>

最后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节点的尾部标签之间的换行符

所以获取li内部的文本：1、先选取a节点在获取文本，2、另外一种就是使用 //

选取a节点再获取文本

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//li[@class='item-0']/a/text()")
print(result)

结果：
['first item', 'fifth item']

另外一种使用 //

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//li[@class='item-0']//text()")
print(result)

结果：
['first item', 'fifth item', '\r\n']

这里返回的是三个结果，这里是选取所有子孙节点的文本，其中前两个就是li节点的子节点a节点内部的文本，另外一个就是最后一个li节点内部的文本，即换行符

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，这样可以保证获取到最全面的文本信息，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

使用@符号就可以获取到：获取所有li节点下所有节点的href属性

from lxml import etree

html = etree.parse("./test.html",etree.HTMLParser())
result = html.xpath("//li/a/@href")
print(result)

结果：
['linkl.html', 'link2.html', 'link3.html', 'link4.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，属性匹配中括号加属性名和值来限定某个属性，如［＠href="linkl.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，HTML 文本中 li 节点的 class 属性有两个值 li li-first ，此时如果还想用之前的属性匹配获取，就无法匹配了

这个时候就需要contains() 函数

from lxml import etree

text = '<li class="li li-frist"><a href="link2.html">second item</a></li>'

# html = etree.parse("./test.html",etree.HTMLParser())
html = etree.HTML(text)
result = html.xpath("//li[contains(@class,'li')]/a/text()")
print(result)


结果：
['second item']

通过contains() 方法，第一个参数传入属性名称，第二个传入属性值，只要此属性包含所传入的属性值，就可以完成匹配

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-frist" name="item"><a href="link2.html">second item</a></li>'

html = etree.HTML(text)
result = html.xpath("//li[contains(@class,'li') and @name='item']/a/text()")
print(result)

结果：
['second item']

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 作符相连，相连之后置于中括号内进行条件筛选

除了and还是其他XPath中运算符

按顺序选择

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，我们可以利用中括号传入索引的方法获取特定次序

from lxml import etree



html = etree.parse("./test.html",etree.HTMLParser())
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)

结果：
['first item']
['fifth item']
['first item', 'second item']
['third item']

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；

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；

选取了位置小于 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；

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 XPat 中，提供了 100 多个函数，包括存取值、字符串、逻辑、节点、序列等处理功能，它们的具体作用可以参考：w3school 在线教程

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，

from lxml import etree



html = etree.parse("./test.html",etree.HTMLParser())
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)

结果：
[<Element html at 0x1525238>, <Element body at 0x15251e8>, <Element div at 0x15251c0>, <Element ul at 0x1522eb8>]
[<Element div at 0x15251c0>]
['item-0']
[<Element a at 0x15251e8>]
[]
[<Element a at 0x1525210>]
[<Element li at 0x15251e8>, <Element li at 0x15251c0>, <Element li at 0x1522eb8>, <Element li at 0x1522cb0>]

ancestor::*  调用ancestor轴：可以获取所有祖先节点，其后需要跟着两个冒号，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、 ul。

ancestor::div  调用ancestor轴，又加了限定条件，这次在冒号后面加了 div ，这样得到的结果就只有 div 个祖先节点了

attribute::*   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

child::a[@href='link1.html']  调用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 linkl.html 的 a 节点

descendant::span  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 span 节点，所以返回的结果只包含 span 节点而不包含 a 节点

following::*[2]  调用 following 轴，可以获取当前节点之后的所有节点， 这里我们虽然使用的是*匹配，但又加了索引选择，所以只获取了第二个后续节点

following-sibling::* 调用 following -sibling ，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