python的lxml和xPath用法

安装lxml，xPath库

xPath语法：

下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	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。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

实例

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：

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点。
/bookstore	选取根元素 bookstore。 注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素。
//book	选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book	选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang	选取名为 lang 的所有属性。

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。

实例

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：

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

实例

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：

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。

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。

实例

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：

路径表达式	结果
//book/title | //book/price	选取 book 元素的所有 title 和 price 元素。
//title | //price	选取文档中的所有 title 和 price 元素。
/bookstore/book/title | //price	选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。

lxml用法

初步使用

首先我们利用它来解析 HTML 代码，先来一个小例子来感受一下它的基本用法。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

from lxml import etree text = '''               first item          second item          third item          fourth item          fifth item      ''' html = etree.HTML(text) result = etree.tostring(html) print(result)

首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。

其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。

所以输出结果是这样的

XHTML

1 2 3 4 5 6 7 8 9 10 11 12

class="item-0">href="link1.html">first item          class="item-1">href="link2.html">second item          class="item-inactive">href="link3.html">third item          class="item-1">href="link4.html">fourth item          class="item-0">href="link5.html">fifth item

不仅补全了 li 标签，还添加了 body，html 标签。

文件读取

除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为

XHTML

1 2 3 4 5 6 7 8 9

class = "item-0" > href = "link1.html" > first item          class = "item-1" > href = "link2.html" > second item          class = "item-inactive" > href = "link3.html" > class = "bold" > third item          class = "item-1" > href = "link4.html" > fourth item          class = "item-0" > href = "link5.html" > fifth item

利用 parse 方法来读取文件。

1 2 3 4

from lxml import etree html = etree.parse('hello.html') result = etree.tostring(html, pretty_print=True) print(result)

同样可以得到相同的结果。

XPath实例测试

依然以上一段程序为例

（1）获取所有的

标签

Python

1 2 3 4 5 6 7 8

from lxml import etree html = etree.parse('hello.html') print type(html) result = html.xpath('//li') print result print len(result) print type(result) print type(result[0])

运行结果

1 2 3 4 5

<type 'lxml.etree._ElementTree'> [<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>] 5 <type 'list'> <type 'lxml.etree._Element'>

可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个

元素，每个元素都是 Element 类型

（2）获取

标签的所有 class

Python

1 2	result = html.xpath('//li/@class') print result

运行结果

1	['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

（3）获取

标签下 href 为 link1.html 的 标签

Python

1 2	result = html.xpath('//li/a[@href="link1.html"]') print result

运行结果

1	[<Element a at 0x10ffaae18>]

（4）获取

标签下的所有 标签

注意这么写是不对的

Python

1	result = html.xpath('//li/span')

因为 / 是用来获取子元素的，而 并不是

的子元素，是的子元素。所以，要用双斜杠

Python

1 2	result = html.xpath('//li//span') print result

运行结果

1	[ < Element span at 0x10d698e18 > ]

（5）获取

标签下的所有 class，不包括

Python

1 2	result = html.xpath('//li/a//@class') print result

运行结果

1	[ 'blod' ]

（6）获取最后一个

的 的 href

Python

1 2	result = html.xpath('//li[last()]/a/@href') print result

运行结果

1	[ 'link5.html' ]

（7）获取倒数第二个元素的内容

1 2	result = html.xpath('//li[last()-1]/a') print result[0].text

运行结果

1	fourth item

（8）获取 class 为 bold 的标签名

Python

1 2	result = html.xpath('//*[@class="bold"]') print result[0].tag

运行结果  

1

span

部分转载：静觅 » Python爬虫利器三之Xpath语法与lxml库的用法

xpath用法w3school：xPath

1

span