学爬虫利器Xpath,看这一篇就够了

来自:googpy(微信号:googpy),作者:stormwen

阅读文本大概需要 8分钟。

上一篇文章主要给大家介绍了Xpath的基础知识,大家看完之后有没有收获呢?按照计划,今天就结合示例给大家介绍如何使用Xpath?


1.获取所有节点


我们一般会用「//」开头的Xpath规则来选取所有符合要求的节点。以下面的HTML文本为例,如果要选取所有节点,可以这样实现:


<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>


from lxml import etree

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


运行结果如下:


[<Element html at 0x295b308>, <Element body at 0x295b2c8>, <Element div at 0x295b3c8>, <Element ul at 0x295b408>, <Element li at 0x295b448>, <Element a at 0x295b4c8>, <Element li at 0x295b508>, <Element a at 0x295b548>, <Element li at 0x295b588>, <Element a at 0x295b488>, <Element li at 0x295b5c8>, <Element a at 0x295b608>, <Element li at 0x295b648>, <Element a at 0x295b688>]


这里使用*代表匹配所有节点,也就是整个HTML文本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Elment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。


如果想获取指定节点名称,例如li节点,操作如下:


from lxml import etree

html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])


这里要选取li节点,可以使用//,然后直接加上节点名称即可,调用时直接使用xpath()方法即可。


运行结果如下:

[<Element li at 0x294b448>, <Element li at 0x294b488>, <Element li at 0x294b4c8>, <Element li at 0x294b508>, <Element li at 0x294b548>]
<Element li at 0x294b448>


我们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Elment对象。如果要取出其中一个对象,可以直接用中括号加索引,如[0]。


2.获取子节点


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)


这里通过追加/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,二者组合在一起即获取所有li节点的所有直接a子节点。


运行结果如下:

[<Element a at 0x292e2c8>, <Element a at 0x292e308>, <Element a at 0x292e348>, <Element a at 0x292e388>, <Element a at 0x292e3c8>]


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)


运行结果如下:


[<Element a at 0x293b408>, <Element a at 0x293b448>, <Element a at 0x293b488>, <Element a at 0x293b4c8>, <Element a at 0x293b508>]


但是如果这里用//ul/a,就无法获取任何结果了。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,所以无法获取任何匹配结果,代码如下:

from lxml import etree

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


运行结果如下:

[]


小结:这里我们要注意/和//的区别,其中/用于获取直接子节点,//用于获取子孙节点。


3.获取父节点


假如我们知道了子节点,怎么来查找父节点呢?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)


运行结果如下:

['item-1']


检查一下结果发现,这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)


4.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)


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。结果如下:

[<Element li at 0x293e2c8>, <Element li at 0x293e308>]


可见,匹配到的结果正是两个,至于是不是那正确的两个,后面再验证。


5.获取文本


我们用Xpath中的text()方法获取节点的文本,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)


运行结果如下:

['\r\n']


奇怪的是,我们并没有获取到任何文本,只获取到了一个换行符,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,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,我们来看一下二者的区别。


(1)选取到a节点再获取文本,代码如下:

from lxml import etree

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


运行结果如下:

['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,这也验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。


(2)再来看一下另一种方式(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)


运行结果如下:

['first item', 'fifth item', '\r\n']


不出所料,这里的返回结果是3个。分析可知,这里是选取所有子孙节点的文本,其中前面两个就是li的子节点a节点内部的文本,另一个就是最后一个li节点内部的文本,即换行符。


小结: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,这样可以保证获取到的结果是整洁的。


6.获取属性


这里我们用@符号就可以获取节点属性。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)


这里我们通过@href即可获取节点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。


运行结果如下:

['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']


可以看到,我们成功获取了所有li节点下a节点的href属性,它们以列表形式返回。


7.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,此时的运行结果如下:

[]

这时就需要用contains()函数了,代码可以改写如下:

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)


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,就可以完全匹配了。


此时运行结果如下:

['first item']


此种方式在某个节点的某个属性有多个值时经常用到,如某个节点的class属性通常有多个。


8.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,这时就需要匹配多个属性。此时可以使用运算符and来连接,示例如下:


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)


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。运行结果如下:


['first item']


这里的and其实是Xpath中的运算符。另外,还有很多运算符,如or、mod等。


9.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,这时该怎么办呢?


可以利用中括号传入索引的方法获取特定次序的节点,示例如下:


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)


运行结果如下:


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


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。它们的具体作用可以参考:http://www.w3school.com.cn/xpath/xpath_functions.asp.


10.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:


from lxml import etree
text = """
<div>
<ul>
<li class="item-0"><a href="link1.html"><span>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]/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)


运行结果如下:


[<Element html at 0x294b408>, <Element body at 0x294b388>, <Element div at 0x294b348>, <Element ul at 0x294b448>]
[<Element div at 0x294b348>]
['item-0']
[<Element a at 0x294b448>]
[<Element span at 0x294b348>]
[<Element a at 0x294b448>]
[<Element li at 0x294b388>, <Element li at 0x294b488>, <Element li at 0x294b4c8>, <Element li at 0x294b508>]


以上是Xpath轴的简单用法,更多轴的用法可以参考:http://www.w3school.com.cn/xpath_axes.asp


总结


到目前为止,我们基本上把可能用到的Xpath选择器介绍完了。今天我们主要介绍了Xpath在获取所有节点、子节点、父节点、文本、属性、以及属性多值匹配、多属性匹配等方面的具体操作,Xpath功能非常强大,内置函数非常多,熟练使用之后,可以大大提升HTML信息的提取效率。


如果想查询更多Xpath的用法,可以查看:http://www.w3school.com.cn/xpath/index.asp。如果想查询更多Python lxml库的用法,可以查看http://lxml.de/

推荐↓↓↓
Python编程
上一篇:现学活用xpath爬取豆瓣音乐 下一篇:分析了16年的福利彩票记录,原来可以用Python这么买彩票