数据解析之Xpath解析（超详细定位）

目录

​编辑

前言

一.Xpath介绍

1.基本介绍

2.HTML树状结构图

2.节点之间的关系

Xpath中的绝对路径与相对路径

绝对路径

相对路径

二.Xpath的语法介绍

基本定位语法

1.元素属性定位

2.层级属性结合定位

3.使用谓语定位

4.使用逻辑运算符定位

5.使用文本定位

6.使用部分函数定位

三.Xpath语法验证

在开发者工具的 Elements 中按Ctrl + F，在搜索框中输入 Xpath

四.lxml的基本使用

 五.Xpath实战（含流程）

---

 

前言

xpath是XML路径语言，它可以用来确定xml文档中的元素位置，通过元素路径来完成对元素的查找。HTML就是XML的一种实现方式，所以xpath是一种非常强大的定位方式
 

一.Xpath介绍

1.基本介绍

XPath（XML Path Language）是一种XML的查询语言，他能在XML树状结构中寻找节点。XPath 用于在 XML 文档中通过元素和属性进行导航

xml是一种标记语法的文本格式，xpath可以方便的定位xml中的元素和其中的属性值。lxml是python中的一个第三方模块，它包含了将html文本转成xml对象，和对对象执行xpath的功能

2.HTML树状结构图

HTML 的结构就是树形结构，HTML 是根节点，所有的其他元素节点都是从根节点发出的。其他的元素都是这棵树上的节点Node，每个节点还可能有属性和文本。而路径就是指某个节点到另一个节点的路线。

2.节点之间的关系

• 父节点(Parent)： HTML 是 body 和 head 节点的父节点；

• 子节点(Child)：head 和 body 是 HTML 的子节点；

• 兄弟节点(Sibling)：拥有相同的父节点，head 和 body 就是兄弟节点。title 和 div 不是兄弟，因为他们不是同一个父节点。

• 祖先节点(Ancestor)：body 是 form 的祖先节点，爷爷辈及以上；

• 后代节点(Descendant)：form 是 HTML 的后代节点，孙子辈及以下。

 

Xpath中的绝对路径与相对路径

Xpath 中的绝对路径从 HTML 根节点开始算，相对路径从任意节点开始。通过开发者工具，我们可以拷贝到 Xpath 的绝对路径和相对路径代码：

但是由于拷贝出来的代码缺乏灵活性，也不全然准确。大部分情况下，都需要自己定义 Xpath 语句，因此 Xpath 语法还是有必要学习。

绝对路径

Xpath 中最直观的定位策略就是绝对路径。 以百度中的输入框和按钮为例，通过拷贝出来的 full Xpath：

/html/body/div[2]/div/div/div/div/form/span/input

这就是一个绝对路径我们可以看出，绝对路径是从根节点/html开始往下，一层层的表示 出来直到需要的节点为止。这明显不是理智的选项，因此了解以下即可，不用往心里去。

相对路径

除了绝对路径，Xpath 中更常用的方式是相对路径定位方法，以“//”开头。 相对路径可以从任意节点开始，一般我们会选取一个可以唯一定位到的元素开始写，可以 增加查找的准确性。

二.Xpath的语法介绍

基本定位语法

表达式	说明	举例
/	从根节点开始选取	/html/div/span
//	从任意节点开始选取	//input
.	选取当前节点
..	选取当前节点的父节点	//input/.. 会选取 input 的父节点
@	选取属性或者根据属性选取	//input[@data] 选取具备 data 属性的 input 元素 //@data 选取所有 data 属性
*	通配符，表示任意节点或任意属性

1.元素属性定位

1.1 根据属性名定位元素：

        定位具有特定属性名的元素：//*[@attribute_name]

        示例：//*[@class] 会匹配所有具有 "class" 属性的元素。

1.2 根据属性名和属性值定位元素：

        定位具有特定属性名和属性值的元素：//*[@attribute_name='value']

        示例：//*[@id='myElement'] 会匹配 id 属性值为 "myElement" 的元素。

1.3 根据部分属性值定位元素：

        定位具有属性值包含特定文本的元素：//*[contains(@attribute_name,'value')]

        示例：//*[contains(@class,'active')] 会匹配 class 属性值包含 "active" 的元素。

1.4 根据多个属性进行定位：

        定位具有多个属性及其对应值的元素：//*[@attribute_name_1='value_1' and   @attribute_name_2='value_2']

        示例：//*[@class='active' and @data-type='button'] 会匹配同时具有 class 属性值为         "active" 和 data-type 属性值为 "button" 的元素

2.层级属性结合定位

2.1定位父元素下的子元素：

   //父元素名/子元素名：通过指定父元素和子元素的标签名来定位元素。

2.2 定位特定属性的父元素下的子元素：

  //父元素名[@属性名='属性值']/子元素名：通过指定父元素的属性和属性值，再结合子元素的标签名来定位元素。

示例：//div[@class='container']/p 会匹配 class 属性为 "container" 的 

 元素下的所有 

 元素。

2.3定位特定属性的父元素下的特定属性的子元素：

   //父元素名[@属性名1='属性值1']/子元素名[@属性名2='属性值2']：通过指定父元素和子元素的属性条件来定位元素。

示例：//ul[@id='menu']/li[@class='active'] 会匹配 id 属性为 "menu" 的 

 元素下，class 属性为 "active" 的所有 
•  元素。

  3.使用谓语定位

  3.1定位符合特定索引的元素：

  //tagname[position()]：通过位置索引来定位元素。索引从 1 开始。

  示例：//ul/li[position() = 3] 可以匹配位于 

   下的第三个 
  •  元素。

    3.1定位满足特定属性条件的元素：

    //tagname[@attribute='value']：通过属性条件来定位元素。

    示例：//input[@type='text'] 可以匹配所有 type 属性值为 "text" 的  元素。

    3.3结合多个条件定位元素：

    //tagname[@attribute1='value1' and @attribute2='value2']：使用逻辑运算符 and 结合多个属性条件来定位元素。

    示例：//a[@class='active' and @href='/home'] 可以匹配同时满足 class 属性值为 "active" 和 href 属性值为 "/home" 的  元素。

    3.4通过文本内容定位元素：

    //tagname[text()='value']：通过文本内容来定位元素。

    示例：//h1[text()='Welcome'] 可以匹配文本内容为 "Welcome" 的 

     元素。

    4.使用逻辑运算符定位

    使用逻辑运算符定位是XPath中一种灵活的定位技术，允许您结合多个条件来定位元素。XPath支持以下三种逻辑运算符：and、or、not。以下是使用逻辑运算符定位元素的示例：

    4.1 使用 and 运算符：

    //tagname[@attribute1='value1' and @attribute2='value2']：通过结合多个属性条件，使用 and 运算符定位元素。

    示例：//input[@type='text' and @name='username'] 可以匹配type属性为"text"且name属性为"username"的input元素。

    4.2 使用 or 运算符：

    //tagname[@attribute='value1' or @attribute='value2']：通过结合多个属性条件，使用 or 运算符定位元素。

    示例：//a[@class='active' or @class='highlight'] 可以匹配class属性为"active"或"class"属性为"highlight"的a元素。

    4.3 使用 not 运算符：

    //tagname[not(@attribute='value')]：使用 not 运算符否定一个属性条件，定位不满足该条件的元素。

    示例：//div[not(@class='header')] 可以匹配class属性不为"header"的div元素

    5.使用文本定位

    5.1定位文本内容相等的元素：

    //tagname[text()='value']：匹配文本内容与指定值相等的元素。

    示例：//a[text()='Login'] 可以匹配文本为"Login"的所有  元素。

    5.2定位包含指定文本内容的元素：

    //tagname[contains(text(),'value')]：匹配包含指定值的文本内容的元素。

    示例：//p[contains(text(),'Lorem ipsum')] 可以匹配包含"Lorem ipsum"文本的所有 

     元素。

    5.3根据包含特定关键词的文本内容定位元素：

    //tagname[contains(text(),'keyword')]：匹配文本内容中包含特定关键词的元素。

    示例：//h2[contains(text(),'Contact')] 可以匹配文本内容中包含"Contact"关键词的 

     元素

    6.使用部分函数定位

    函数	说明	举例
    contains	选取属性或者文本包含某些字符	//div[contains(@id, 'data')] 选取 id 属性包含 data 的 div 元素
    starts-with	选取属性或者文本以某些字符开头	//div[starts-with(@id, 'data')] 选取 id 属性以 data 开头的 div 元素

    | | ends-with | 选取属性或者文本以某些字符结尾 | //div[ends-with(@id, 'require')] 选取 id 属性以 require 结尾的 div 元素

    三.Xpath语法验证

    在开发者工具的 Elements 中按Ctrl + F，在搜索框中输入 Xpath

    

    四.lxml的基本使用

    # 导入模块
    from lxml import etree
    # html源代码
    web_data = """
            
    
                
    
                     
    first item
                     
    second item
                     
    third item
                     
    fourth item
                     
    fifth item
                 
             
            """
    # 将html转成xml文件
    element = etree.HTML(web_data)
    # print(element)
    # 获取li标签下面的a标签的href
    links = element.xpath('//ul/li/a/@href')
    print(links)
    # 获取li标签下面的a标签的文本数据
    result = element.xpath('//ul/li/a/text()')
    print(result)

     五.Xpath实战（含流程）

    import requests
    from lxml import etree
    '''
    目标:熟悉xpath解析数的方式
    需求:爬取电影的名称 评分 引言 详情页的url  翻页爬取1-10页 保存到列表中
    
    如何实现?
    设计技术与需要的库 requests lxml(etree)
    
    实现步骤
    1 页面分析(一般讲数据解析模块 都是静态页面)
       1.1 通过观察看网页源代码中是否有我们想要的数据 如果有就分析这个url
            如果没有再通过ajax寻找接口   通过分析数据在网页源代码中
    
       1.2 确定目标url
            https://movie.douban.com/top250?start=0&filter= 第一页
            通过页面分析发现所有我们想要的数据都在一个div[class="info"]里面
    
    具体实现步骤
    1 获取整个网页的源码 html
    2 将获取的数据源码转成一个element对象(xml)
    3 通过element对象实现xpath语法 对数据进行爬取(标题 评分 引言 详情页的url)
    4 保存数据  先保存到字典中-->列表中
    
    '''
    
    # 定义一个函数用来获取网页源代码
    def getsource(pagelink):
        # 请求头
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'
        }
        # 获取源码
        response = requests.get(pagelink, headers=headers)
        response.encoding = 'utf-8'
        html = response.text
        return html
    
    # 定义一个函数用于解析我们的网页源代码并获取我们想要的数据
    def geteveryitem(html):
        element = etree.HTML(html)
        # 拿到[class="info"]的所有div
        movieitemlist = element.xpath('//li//div[@class="info"]')
        # print(movieitemlist,len(movieitemlist))
        # 定义一个列表
        itemlist = []
        for item in movieitemlist:
            # 定义一个字典
            itemdict = {}
            # 标题
            title = item.xpath('./div[@class="hd"]/a/span[@class="title"]/text()')
            title = "".join(title).replace("\xa0", "")
            # print(title)
            # 副标题
            othertitle = item.xpath('./div[@class="hd"]/a/span[@class="other"]/text()')[0].replace("\xa0", "")
            # print(othertitle)
            # 评分
            grade = item.xpath('./div[@class="bd"]/div[@class="star"]/span[2]/text()')[0]
            # print(grade)
            # 详情页的url
            link = item.xpath('div[@class="hd"]/a/@href')[0]
            # print(link)
            # 引言
            quote = item.xpath('div[@class="bd"]/p[@class="quote"]/span/text()')
            # print(quote)
            # list index out of range
            # 处理方式1 非空处理
            if quote:
                quote = quote[0]
            else:
                quote = ""
            # 将数据存放到字典中
            itemdict['title'] = ''.join(title + othertitle)
            itemdict['grade'] = grade
            itemdict['link'] = link
            itemdict['quote'] = quote
            # print(itemdict)
            itemlist.append(itemdict)
        # print(itemlist)
        return itemlist
    
    
    if __name__ == '__main__':
        url = 'https://movie.douban.com/top250?start=0&filter='
        html = getsource(url)
        itemlist = geteveryitem(html)
    
        print(itemlist)
    

    今天的分享到这里就结束了，感谢各位大大的观看，各位大大的三连是博主更新的动力，感谢谢谢谢谢谢谢谢谢各位的支持！！！！！