掌握XPath：安装配置、解析流程、语法和实战练习全攻略
目录
引言
xpath安装与使用
解析流程与使用
xpath语法
xpath实战练习
引言
众所周知，XPath是Web开发中重要的工具之一，可以帮助我们在HTML或XML文档中快速定位和选择内容。但是对于初学者来说，XPath的安装配置、语法解析以及实际应用可能会有些困难。因此，在这篇文章中，我们将为大家提供一份全攻略，让大家轻松掌握XPath的使用方法。
从XPath的安装和环境配置开始，我们将为大家逐一介绍XPath的使用流程及其常用语法，同时配合实战练习，旨在让读者们在实践操作中逐步掌握XPath的技能。
无论你是新手还是老手，在掌握XPath的基础知识后，都可以为自己的Web开发工作提供更多便捷和效率，同时也能够更加深入地理解Web开发的一些本质概念。让我们一起来探索XPath的奥秘吧！
xpath安装与使用
安装
-
安装lxml库
pip install lxml -i pip源
解析流程与使用
from lxml import etree
# 解析本地HTML文件
# parser = etree.HTMLParser(encoding="utf-8")
# tree = etree.parse('./素材/豆瓣.html', parser=parser)
# 解析网络HTML文件
tree = etree.HTML(open('./素材/豆瓣.html', 'r', encoding='UTF-8').read())
print(tree)
解析流程
- 实例化一个etree的对象，把即将被解析的页面源码加载到该对象
- 调用该对象的xpath方法结合着不同形式的xpath表达进行标签定位和数据提取
使用
-
导入lxml.etree
from lxml import etree
-
etree.parse()
解析本地html文件
html_tree = etree.parse('XX.html')
-
etree.HTML()(建议)
解析网络的html字符串
html_tree = etree.HTML(html字符串)
-
html_tree.xpath()
使用xpath路径查询信息，返回一个列表
注意：如果lxml解析本地HTML文件报错可以按照如下添加参数
parser = etree.HTMLParser(encoding="utf-8")
selector = etree.parse('./lol_1.html',parser=parser)
result=etree.tostring(selector)
xpath语法
XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。
【留言：xpath语法免费获取教程】
2023最新自动化测试自学教程新手小白26天入门最详细教程,目前已有300多人通过学习这套教程入职大厂！！
-
路径表达式
表达式 描述 / 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。 ./ 当前节点再次进行xpath @ 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 /html 选取根元素。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！ //li 选取所有li 子元素，而不管它们在文档中的位置。 //ul//li 选择属于 ul元素的后代的所有 li元素，而不管它们位于 ul之下的什么位置。 节点对象.xpath('./div') 选择当前节点对象里面的第一个div节点 //@href 选取名为 href 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 /ul/li[1] 选取属于 ul子元素的第一个 li元素。 /ul/li[last()] 选取属于 ul子元素的最后一个 li元素。 /ul/li[last()-1] 选取属于 ul子元素的倒数第二个 li元素。 //ul/li[position()❤️] 选取最前面的两个属于 ul元素的子元素的 li元素。 //a[@title] 选取所有拥有名为 title的属性的 a元素。 //a[@title='xx'] 选取所有 a元素，且这些元素拥有值为 xx的 title属性。 -
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。 一般用于浏览器copy xpath会出现 @* 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 /ul/* 选取 ul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。 //node() 获取所有节点 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。 -
逻辑运算
-
查找所有id属性等于head并且class属性等于s_down的div标签
//div[@id="head" and @class="s_down"] -
选取文档中的所有 title 和 price 元素。
//title | //price注意: “|”两边必须是完整的xpath路径
-
-
属性查询
-
查找所有包含id属性的div节点
//div[@id] -
查找所有id属性等于maincontent的div标签
//div[@id="maincontent"] -
查找所有的class属性
//@class -
//@attrName
//li[@name="xx"]//text() # 获取li标签name为xx的里面的文本内容
-
-
获取第几个标签 索引从1开始
tree.xpath('//li[1]/a/text()') # 获取第一个 tree.xpath('//li[last()]/a/text()') # 获取最后一个 tree.xpath('//li[last()-1]/a/text()') # 获取倒数第二个 -
内容查询
查找所有div标签下的直接子节点h1的内容
//div/h1/text() -
属性值获取
//div/a/@href 获取a里面的href属性值 -
获取所有
//* #获取所有 //*[@class="xx"] #获取所有class为xx的标签 -
获取节点内容转换成字符串
c = tree.xpath('//li/a')[0] result=etree.tostring(c, encoding='utf-8') print(result.decode('UTF-8'))
from lxml import etree
# 实例化
tree = etree.HTML(open('./素材/豆瓣.html', 'r', encoding='UTF-8').read())
# print(tree)
# / 按照路径层级 一级一级往下找
a_list = tree.xpath('/html/body/div/div/div/a')
# 获取a标签里的文本
# a_list = tree.xpath('/html/body/div/div/div/a/text()')
# print(a_list)
# for a in a_list:
# print(a) #
# # print(a.text) # 获取标签中文本
# # 将节点对象转换为字符串
# print(etree.tostring(a, encoding='UTF-8').decode('UTF-8')) # 登录
# print(type(etree.tostring(a, encoding='UTF-8').decode('UTF-8'))) #
# // 不考虑位置
# 获取页面中的所有的a标签 无论在哪个位置
# a_list = tree.xpath('//a')
# print(a_list)
# for a in a_list:
# print(a.text) # 获取标签中文本
# 将节点对象转换为字符串
# print(etree.tostring(a, encoding='UTF-8').decode('UTF-8'))
# print(type(etree.tostring(a, encoding='UTF-8').decode('UTF-8')))
# /与//的组合使用
# 获取登陆和注册
# a_list = tree.xpath('/html/body/div/div/div[1]/a/text()')
# print(a_list)
# 获取当前路径 /html/body/div/div/div 里面的所有的a 无论位置
# a_list = tree.xpath('/html/body/div/div/div//a/text()')
# print(a_list)
# 匹配ul下的li里面的所有的文本
# li_list = tree.xpath('//ul/li//text()')
# print(li_list)
# 添加查找条件
# li_list = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li//text()')
# print(li_list)
# 查找标题
# title_list = tree.xpath('//div[@class="detail-frame"]/h2/a/text()')
# print(title_list)
# 位置查找
# 获取ul下的所有的直接子li
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li')
# 获取第一个li
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li[1]//text()')
# 获取第二个li
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li[2]//text()')
# 倒数第一个li
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li[last()]//text()')
# 倒数第二个
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li[last()-1]//text()')
# 获取前2个
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li[position()<3]//text()')
# 使用列表切片
# 获取第一个
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li')[0].xpath('.//text()')
# 获取最后一个
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li')[-1].xpath('.//text()')
# print(li)
# ./与.//
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li')[0]
# text = li.xpath('.//text()') # 根据上面li的节点对象向下继续匹配
# 等同于
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li[1]//text()')
# .代表从当前节点继续向下匹配
# ./ 就是上面/的意思 一层一层往下找
# .// 就是上面//的意思 无论当前想要查找的内容在当前节点的哪个位置 都进行获取
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li')[0]
# text = li.xpath('./div[@class="detail-frame"]/h2/a/text()') # 根据上面li的节点对象向下继续匹配
# print(text)
# 等同于
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li[1]/div[@class="detail-frame"]/h2/a/text()')
# print(li)
# li = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li')[0]
# 当前匹配和li节点没有关系 因为没有从当前节点往下继续匹配
# text = li.xpath('//div[@class="detail-frame"]/h2/a/text()')
# text = tree.xpath('//div[@class="detail-frame"]/h2/a/text()')
# print(text)
# 属性值获取
# @属性名
# 获取所有的图片
# img_list = tree.xpath('//img')
# 获取所有图片的src地址 也就是连接
# img_list = tree.xpath('//img/@src')
# print(img_list)
# 获取所有超链接的href属性值
# a_list = tree.xpath('//a/@href')
# print(a_list)
# 当前作为了解
# 查找标签具有当前整个属性的节点
# a_list = tree.xpath('//a[@class]')
# a_list = tree.xpath('//a[@id]')
# print(a_list)
# a_list = tree.xpath('//@id')
# print(a_list)
# * 一般我们自己不写 但是复制xpath的时候会见到
# 不管当前是什么标签 条件就是id为content的我就要
# //*[@id="content"]/div/div[2]/ul/li[1]/div/h2/a
# 逻辑运算
'''
div1
div2
'''
# and
# text = tree.xpath('//div[@class="a1" and @id="a2"]/text()')
# print(text)
# or
# text = tree.xpath('//div[@class="a1" or @id="a2"]/text()')
# print(text)
# | 代码中我们去用
xpath实战练习
抓取豆瓣的标题，封面图片标签，图片的src，简介，评分
当前包含虚构类和非虚构类
匹配豆瓣图书虚构类
from lxml import etree
# 实例化
tree = etree.HTML(open('./素材/豆瓣.html', 'r', encoding='UTF-8').read())
'''
抓取封面
标题
简介
'''
li_list = tree.xpath('//ul[@class="cover-col-4 clearfix"]/li')
for li in li_list:
img = li.xpath('./a/img/@src')
title = li.xpath('./div/h2/a/text()')
# info1 = li.xpath('./div/p[@class="color-gray"]/text()')
# info2 = li.xpath('./div/p[@class="detail"]/text()')
info = li.xpath('./div/p[@class="color-gray"]/text() | ./div/p[@class="detail"]/text()')
print(info)
匹配豆瓣图书非虚构类
from lxml import etree
# 实例化
tree = etree.HTML(open('./素材/豆瓣.html', 'r', encoding='UTF-8').read())
'''
抓取封面
标题
简介
'''
li_list = tree.xpath('//ul[@class="cover-col-4 pl20 clearfix"]/li')
for li in li_list:
img = li.xpath('./a/img/@src')
title = li.xpath('./div/h2/a/text()')
info = li.xpath('./div/p[@class="color-gray"]/text() | ./div/p[3]/text()')
print(info)
整合抓取虚构类与费虚构类的数据
from lxml import etree
import re
# 实例化
tree = etree.HTML(open('./素材/豆瓣.html', 'r', encoding='UTF-8').read())
'''
抓取封面
标题
简介
'''
li_list = tree.xpath('//ul[@class="cover-col-4 pl20 clearfix"]/li | //ul[@class="cover-col-4 clearfix"]/li')
for li in li_list:
img = li.xpath('./a/img/@src')[0]
title = li.xpath('./div/h2/a/text()')[0]
info = li.xpath('./div/p[@class="color-gray"]/text() | ./div/p[@class="detail"]/text() | ./div/p[3]/text()')
info = re.sub('\s', '', ''.join(info))
print(img)
print(title)
print(info)