xpath解析

延續生命線 · 发表于 2019-11-1 15:08:04

1、简介及安装
简介：XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。
安装：pip install lxml
调用方法：

# 先导包
from lxml import etree
# 将html文档或者xml文档转换成一个etree对象，然后调用对象中的方法查找指定的节点
# 1. 本地文件
tree = etree.parse(文件名)
tree.xpath("xpath表达式")
# 2. 网络数据
tree = etree.HTML(网页内容字符串)
tree.xpath("xpath表达式")

复制代码

2、语法简介
先准备一个HTML格式的字符串

html_doc = """
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body>
<div class="d1">
<div class="d2">
<p class="story">
<a class="sister" id="link1">Elsie</a>,
<a class="sister" id="link2">Lacie</a> and
<a id="link3">Tillie</a>
</p>
</div>
<div>
<p id="p1">人生苦短</p>
<p id="p2">我用python</p>
</div>
</div>
<div class="d3">
<a >baidu</a>
<p>百度</p>
</div>
</body>
</html>
"""

复制代码

#1，选取节点

nodename # 选取nodename节点的所有子节点 xpath(‘//div’) # 选取了所有div节点
/ # 从根节点选取 xpath(‘/div’) # 从根节点上选取div节点
// # 选取所有的当前节点，不考虑他们的位置 xpath(‘//div’) # 选取所有的div节点
. # 选取当前节点 xpath(‘./div’) # 选取当前节点下的div节点
.. # 选取当前节点的父节点 xpath(‘..’) # 回到上一个节点
@ # 选取属性 xpath（’//@calss’） # 选取所有的class属性
#######################⬇例子⬇######################
ret=selector.xpath("//div")
ret=selector.xpath("/div")
ret=selector.xpath("./div")
ret=selector.xpath("//p[@id='p1']")
ret=selector.xpath("//div[@class='d1']/div/p[@class='story']")

复制代码

#2，谓语

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div节点
xpath(‘/body/div[positon()<3]’) # 选取body下前两个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元素值大于35的div节点
#######################⬇例子⬇######################
ret=selector.xpath("//p[@class='story']//a[2]")
ret=selector.xpath("//p[@class='story']//a[last()]")

复制代码

#3，通配符
Xpath通过通配符来选取未知的XML元素

表达式结果
xpath（’/div/*’） # 选取div下的所有子节点
xpath(‘/div[@*]’) # 选取所有带属性的div节点
#######################⬇例子⬇######################
ret=selector.xpath("//p[@class='story']/*")
ret=selector.xpath("//p[@class='story']/a[@class]")

复制代码

#4，取多个路径
使用 “|” 运算符可以选取多个路径

表达式结果
xpath(‘//div|//table’) # 选取所有的div和table节点
#######################⬇例子⬇######################
ret=selector.xpath("//p[@class='story']/a[@class]|//div[@class='d3']")
print(ret)

复制代码

#5，Xpath轴
轴可以定义相对于当前节点的节点集

轴名称表达式描述
ancestor xpath(‘./ancestor::*’) # 选取当前节点的所有先辈节点（父、祖父）
ancestor-or-self xpath(‘./ancestor-or-self::*’) # 选取当前节点的所有先辈节点以及节点本身
attribute xpath(‘./attribute::*’) # 选取当前节点的所有属性
child xpath(‘./child::*’) # 返回当前节点的所有子节点
descendant xpath(‘./descendant::*’) # 返回当前节点的所有后代节点（子节点、孙节点）
following xpath(‘./following::*’) # 选取文档中当前节点结束标签后的所有节点
following-sibing xpath(‘./following-sibing::*’) # 选取当前节点之后的兄弟节点
parent xpath(‘./parent::*’) # 选取当前节点的父节点
preceding xpath(‘./preceding::*’) # 选取文档中当前节点开始标签前的所有节点
preceding-sibling xpath(‘./preceding-sibling::*’) # 选取当前节点之前的兄弟节点
self xpath(‘./self::*’) # 选取当前节点

复制代码

#6，功能函数
使用功能函数能够更好的进行模糊搜索

函数用法解释
starts-with xpath(‘//div[starts-with(@id,”ma”)]‘) # 选取id值以ma开头的div节点
contains xpath(‘//div[contains(@id,”ma”)]‘) # 选取id值包含ma的div节点
and xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘) # 选取id值包含ma和in的div节点
text() xpath(‘//div[contains(text(),”ma”)]‘) # 选取节点文本包含ma的div节点

复制代码

3、ELement对象

from lxml.etree import _Element
for obj in ret:
print(obj)
print(type(obj)) # from lxml.etree import _Element
'''
Element对象
class xml.etree.ElementTree.Element(tag, attrib={}, **extra)
　　tag：string，元素代表的数据种类。
　　text：string，元素的内容。
　　tail：string，元素的尾形。
　　attrib：dictionary，元素的属性字典。
　　
　　＃针对属性的操作
　　clear()：清空元素的后代、属性、text和tail也设置为None。
　　get(key, default=None)：获取key对应的属性值，如该属性不存在则返回default值。
　　items()：根据属性字典返回一个列表，列表元素为(key, value）。
　　keys()：返回包含所有元素属性键的列表。
　　set(key, value)：设置新的属性键与值。
　　＃针对后代的操作
　　append(subelement)：添加直系子元素。
　　extend(subelements)：增加一串元素对象作为子元素。＃python2.7新特性
　　find(match)：寻找第一个匹配子元素，匹配对象可以为tag或path。
　　findall(match)：寻找所有匹配子元素，匹配对象可以为tag或path。
　　findtext(match)：寻找第一个匹配子元素，返回其text值。匹配对象可以为tag或path。
　　insert(index, element)：在指定位置插入子元素。
　　iter(tag=None)：生成遍历当前元素所有后代或者给定tag的后代的迭代器。＃python2.7新特性
　　iterfind(match)：根据tag或path查找所有的后代。
　　itertext()：遍历所有后代并返回text值。
　　remove(subelement)：删除子元素。
'''

复制代码

		自动登录	找回密码
密码			立即注册

xpath解析

站长推荐 /1