轉自:https://www.cnblogs.com/gaochsh/p/6757475.html
python中使用XPath
XPath在Python的爬蟲學習中,起着舉足輕重的地位,對比正則表達式 re兩者可以完成同樣的工作,實現的功能也差不多,但XPath明顯比re具有優勢,在網頁分析上使re退居二線。
XPath介紹:
是什麼? 全稱爲XML Path Language 一種小型的查詢語言
說道XPath是門語言,不得不說它所具備的優點:
1) 可在XML中查找信息
2) 支持HTML的查找
3) 通過元素和屬性進行導航
python開發使用XPath條件:
由於XPath屬於lxml庫模塊,所以首先要安裝庫lxml,具體的安裝過程可以查看博客,包括easy_install 和 pip 的安裝方法。
XPath的簡單調用方法:
from lxml import etree
selector=etree.HTML(源碼) #將源碼轉化爲能被XPath匹配的格式
selector.xpath(表達式) #返回爲一列表
XPath的使用方法:
首先講一下XPath的基本語法知識:
四種標籤的使用方法
1) // 雙斜槓 定位根節點,會對全文進行掃描,在文檔中選取所有符合條件的內容,以列表的形式返回。
2) / 單斜槓 尋找當前標籤路徑的下一層路徑標籤或者對當前路標籤內容進行操作
3) /text() 獲取當前路徑下的文本內容
4) /@xxxx 提取當前路徑下標籤的屬性值
5) | 可選符 使用|可選取若干個路徑 如//p | //div 即在當前路徑下選取所有符合條件的p標籤和div標籤。
6) . 點 用來選取當前節點
7) .. 雙點 選取當前節點的父節點
另外還有starts-with(@屬性名稱,屬性字符相同部分),string(.)兩種重要的特殊方法後面將重點講。
利用實例講解XPath的使用:
from lxml import etree
html="""
<!DOCTYPE html>
<html>
<head lang="en">
<title>測試</title>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
</head>
<body>
<div id="content">
<ul id="ul">
<li>NO.1</li>
<li>NO.2</li>
<li>NO.3</li>
</ul>
<ul id="ul2">
<li>one</li>
<li>two</li>
</ul>
</div>
<div id="url">
<a href="http:www.58.com" title="58">58</a>
<a href="http:www.csdn.net" title="CSDN">CSDN</a>
</div>
</body>
</html>
"""
selector=etree.HTML(html)
content=selector.xpath('//div[@id="content"]/ul[@id="ul"]/li/text()') #這裏使用id屬性來定位哪個div和ul被匹配 使用text()獲取文本內容
for i in content:
print i
#輸出爲
NO.1
NO.2
NO.3
con=selector.xpath('//a/@href') #這裏使用//從全文中定位符合條件的a標籤,使用“@標籤屬性”獲取a便籤的href屬性值
for each in con:
print each
#輸出結果爲:
http:www.58.com
http:www.csdn.net
con=selector.xpath('/html/body/div/a/@title') #使用絕對路徑�20 <a href="http:www.csdn.2Fa/@title') #使用相對路徑定位 兩者效果是一樣的
print len(con)
print con[0]con[1]
#輸出結果爲:
2
58 CSDN
介紹XPath的特殊用法:
1) starts-with 解決標籤屬性值以相同字符串開頭的情況
舉例說明
from lxml import etree
html="""
<body>
<div id="aa">aa</div>
<div id="ab">ab</div>
<div id="ac">ac</div>
</body>
"""
selector=etree.HTML(html)
content=selector.xpath('//div[starts-with(@id,"a")]/text()') #這裏使用starts-with方法提取div的id標籤屬性值開頭爲a的div標籤
for each in content:
print each
#輸出結果爲:
aa
ab
ac
2) string(.) 標籤套標籤
html="""
<div id="a">
left
<span id="b">
right
<ul>
up
<li>down</li>
</ul>
east
</span>
west
</div>
"""
#下面是沒有用string方法的輸出
sel=etree.HTML(html)
con=sel.xpath('//div[@id="a"]/text()')
for i in con:
print i #輸出內容爲left west
data=sel.xpath('//div[@id="a"]')[0]
info=data.xpath('string(.)')
content=info.replace('\n','').replace(' ','')
for i in content:
print i #輸出爲 全部內容
XPath提供的幾個特殊的方法:
XPath中需要取的標籤如果沒有屬性,可以使用text(),posision()來識別標籤。
舉兩個簡單的例子:
from lxml import etree
html="""
<div>hello
<p>H</p>
</div>
<div>hehe</div>
"""
sel=etree.HTML(html)
con=sel.xpath('//div[text()="hello"]/p/text()')
print con[0]
#H
這裏使用text()的方法來判別是哪個div標籤
from lxml import etree
html="""
<div>hello
<p>H</p>
<p>J</p>
<p>I</p>
</div>
<div>hehe</div>
"""
sel=etree.HTML(html)
con=sel.xpath('//div[text()="hello"]/p[posision()=2]/text()')
print con[0]
#J
另外,在XPath中可以使用多重過濾方法尋找標籤,例如ul[3][@id=”a”] 這裏使用【3】來尋找第三個ul標籤 並且它的id屬性值爲a
獲取XPath的方式有兩種:
1) 使用以上等等的方法通過觀察找規律的方式來獲取XPath
2) 使用Chrome瀏覽器來獲取 在網頁中右擊->選擇審查元素(或者使用F12打開) 就可以在elements中查看網頁的html標籤了,找到你想要獲取XPath的標籤,右擊->Copy XPath 就已經將XPath路徑複製到了剪切板。