第九天：数据提取-XPath

文章目录

一、介绍

二、安装

1.节点的关系

2.选取节点

1）常用的路径表达式

2）通配符

3）选取若干路径

4）谓语

5）XPath 运算符

三、使用

1.小例子

2. XPath具体使用

一、介绍

之前 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 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

官网  lxml - Processing XML and HTML with Python

教程  XPath 教程

二、安装

pip install lxml

1.节点的关系

• 父（Parent）
• 子（Children）
• 同胞（Sibling）
• 先辈（Ancestor）
• 后代（Descendant）

2.选取节点

1）常用的路径表达式

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

2）通配符

XPath 通配符可用来选取未知的 XML 元素。

通配符	描述	举例	结果
*	匹配任何元素节点	xpath('div/*')	获取div下的所有子节点
@*	匹配任何属性节点	xpath('div[@*]')	选取所有带属性的div节点
node()	匹配任何类型的节点

3）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

表达式	结果
xpath('//div|//table')	获取所有的div与table节点

4）谓语

谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点

表达式	结果
xpath('/body/div[1]')	选取body下的第一个div节点
xpath('/body/div[last()]')	选取body下最后一个div节点
xpath('/body/div[last()-1]')	选取body下倒数第二个节点
xpath('/body/div[positon()<3]')	选取body下前丙个div节点
xpath('/body/div[@class]')	选取body下带有class属性的div节点
xpath('/body/div[@class="main"]')	选取body下class属性为main的div节点
xpath('/body/div[price>35.00]')	选取body下price元素大于35的div节点

5）XPath 运算符

运算符	描述	实例	返回值
		计算两个节点集	//book
+	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

三、使用

1.小例子

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

    

         
first item
         
second item
         
third item
         
fourth item
         
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

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 

利用 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)

2. XPath具体使用

依然以上一段程序为例

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

[, , , , ]
​

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

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 (resul)t
#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

选择XML文件中节点：
  element（元素节点）
  attribute（属性节点）
  text （文本节点）
  concat(元素节点,元素节点)
  comment （注释节点）
  root （根节点）