Python爬虫利器三之Xpath语法与lxml库的用法

lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath。

lxml python 官方文档，更多内容请直接参阅官方文档，本文对其进行翻译与整理。lxml

XPath语法参考w3school

视频资源：web端功能自动化定位元素

安装：pip install lxml

XPath语法

XPath 是一门在 XML 文档中查找信息的语言。XQuery 和 XPointer 都构建于 XPath 表达之上。

节点关系

（1）父（Parent）、子（Children）、同胞（Sibling：拥有相同的父的节点）、先辈（Ancestor：某节点的父、父的父，等等），后代（Descendant：某个节点的子，子的子，等等)

book 元素是 title、author、year 以及 price 元素的父：

  
  J K. Rowling
  2005
  29.99

选取节点

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

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

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。

列出了带有谓语的一些路径表达式，以及结果：

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。

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

在路径表达式中使用“|”运算符，选取若干个路径。

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。

XPath 运算符

下面列出了可用在 XPath 表达式中的运算符：

运算符	描述	实例	返回值
|	计算两个节点集	//book | //cd	返回所有拥有 book 和 cd 元素的节点集
+	加法	6 + 4	10
–	减法	6 – 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等于	price=9.80	如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
>	大于	price>9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1

lxml用法

用它来解析 HTML 代码。

from lxml import etree #使用 lxml 的 etree 库
text = '''

    

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

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，最后一个 li 标签是不闭合的。

不仅补全了 li 标签，还添加了 body，html 标签

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item

 
 

文件读取

hello.html，内容为

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 

用 parse 方法来读取文件。同样可以得到相同的结果。

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

XPath实例测试

（1）获取所有的

标签

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

[, , 
, , 
]
5

（2）获取

标签的所有 class

2）获取 
 标签的所有 class
result = html.xpath('//li/@class')
print result

运行结果
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

（3）获取 
 标签下 href 为 link1.html 的  标签
result = html.xpath('//li/a[@href="link1.html"]')
print result

运行结果
[]

（4）获取 
 标签下的所有  标签
注意这么写是不对的
result = html.xpath('//li/span')
因为 / 是用来获取子元素的，而  并不是 
 的子元素，所以，要用双斜杠
result = html.xpath('//li//span')
print result

运行结果
[]
（5）获取 
 标签下的所有 class，不包括 

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

运行结果
['blod']

（6）获取最后一个 
 的  的 href
result = html.xpath('//li[last()]/a/@href')
print result

运行结果
['link5.html']

（7）获取倒数第二个元素的内容
result = html.xpath('//li[last()-1]/a')
print result[0].text

运行结果
fourth item

（8）获取 class 为 bold 的标签名
result = html.xpath('//*[@class="bold"]')
print result[0].tag

运行结果
span

结语

在后面的 selenium 以及 scrapy 框架中都会涉及到这部分知识