爬虫之XPath高级篇
一 属性获取
1 点睛
用@符号就可以
2 代码
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
# 获取所有li节点下所有a节点的href属性
result = html.xpath('//li/a/@href')
print(result)3 结果
E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']4 说明
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。
二 属性多值匹配
1 无法匹配情况
1.1 代码
from lxml import etree
text = '''
first item
'''
html = etree.HTML(text)
# 通过下面方式无法实现属性多值匹配
result = html.xpath('//li[@class="li"]/a/text()')
print(result)1.2 运行结果
E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
[]2 属性多值匹配
2.1 代码
from lxml import etree
text = '''
first item
'''
html = etree.HTML(text)
# 通过contains实现属性多值匹配
# 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，就可以完成匹配了。
result = html.xpath('//li[contains(@class, "li")]/a/text()')
print(result)2.2 结果
E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
['first item']三 多属性匹配
1 点睛
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。
2 代码
from lxml import etree
text = '''
first item
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')
print(result)3 结果
E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
['first item']4 说明
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。
四 按序选择
1 点睛
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？
这时可以利用中括号传入索引的方法获取特定次序的节点
2 代码
from lxml import etree
text = '''
'''
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)3 运行结果
E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
['first item']
['fifth item']
['first item', 'second item']
['third item']4 说明
第一次选择时，我们选取了第一个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。
第二次选择时，我们选取了最后一个li节点，中括号中传入last()即可，返回的便是最后一个li节点。
第三次选择时，我们选取了位置小于3的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。
第四次选择时，我们选取了倒数第三个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。
五 节点轴选择
1 点睛
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。
2 代码
from lxml import etree
text = '''
'''
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)3 运行结果
E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
[, , , ]
[]
['item-0']
[]
[]
[]
[, , , ] 4 说明
第一次选择时，我们调用了ancestor轴，可以获取所有祖先节点。其后需要跟两个冒号，然后是节点的选择器，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和ul。
第二次选择时，我们又加了限定条件，这次在冒号后面加了div，这样得到的结果就只有div这个祖先节点了。
第三次选择时，我们调用了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。
第四次选择时，我们调用了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link1.html的a节点。
第五次选择时，我们调用了descendant轴，可以获取所有子孙节点。这里我们又加了限定条件获取span节点，所以返回的结果只包含span节点而不包含a节点。
第六次选择时，我们调用了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。
第七次选择时，我们调用了following-sibling轴，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。