python使用xpath（超详细）

使用时先安装 lxml 包

开始使用

和beautifulsoup类似，首先我们需要得到一个文档树

• 把文本转换成一个文档树对象

from lxml import etree
if __name__ == '__main__':
    doc='''
        

            

                 
first item
                 
second item
                 
third item
                 
fourth item
                 
fifth item # 注意，此处缺少一个 
 闭合标签
             
         
        '''

    html = etree.HTML(doc)
    result = etree.tostring(html)
    print(str(result,'utf-8'))

• 把文件转换成一个文档树对象

from lxml import etree

# 读取外部文件 index.html
html = etree.parse('./index.html')
result = etree.tostring(html, pretty_print=True)    #pretty_print=True 会格式化输出
print(result)

均会打印出文档内容

节点、元素、属性、内容

xpath 的思想是通过 路径表达 去寻找节点。节点包括元素，属性，和内容

• 元素举例

html --->  ...
div ---> 
 ...
a  --->  ...

这里我们可以看到，这里的元素和html中的标签一个意思。单独的元素是无法表达一个路径的，所以单独的元素不能独立使用

路径表达式

    /   根节点，节点分隔符，
    //  任意位置
    .   当前节点
    ..  父级节点
    @   属性

通配符

    *   任意元素
    @*  任意属性
    node()  任意子节点（元素，属性，内容)

谓语

使用中括号来限定元素，称为谓语

    //a[n] n为大于零的整数，代表子元素排在第n个位置的元素
    //a[last()]   last()  代表子元素排在最后个位置的元素
    //a[last()-]  和上面同理，代表倒数第二个
    //a[position()<3] 位置序号小于3，也就是前两个，这里我们可以看出xpath中的序列是从1开始
    //a[@href]    拥有href的元素
    //a[@href='www.baidu.com']    href属性值为'www.baidu.com'的元素
    //book[@price>2]   price值大于2的元素

//book/title | //book/price  

from lxml import etree

if __name__ == '__main__':
    doc='''
        

            

                 
first item
                 
second item
                 
third item
                 
fourth item
                 
fifth item # 注意，此处缺少一个 
 闭合标签
             
         
        '''

    html = etree.HTML(doc)
    print(html.xpath("//li"))
    print(html.xpath("//p")) 

【结果为】

[, , , , ]
[]  #没找到p元素

html = etree.HTML(doc)
print(etree.tostring(html.xpath("//li[@class='item-inactive']")[0]))
print(html.xpath("//li[@class='item-inactive']")[0].text)
print(html.xpath("//li[@class='item-inactive']/a")[0].text)
print(html.xpath("//li[@class='item-inactive']/a/text()"))
print(html.xpath("//li[@class='item-inactive']/.."))
print(html.xpath("//li[@class='item-inactive']/../li[@class='item-0']"))

【结果为】

b'
third item
\n                 '
None    #因为第三个li下面没有直接text，None
third item  # 
['third item']
[]
[, ]

使用函数

contains

有的时候，class作为选择条件的时候不合适@class='....' 这个是完全匹配，当网页样式发生变化时，class或许会增加或减少像active的class。用contains就能很方便

from lxml import etree
if __name__ == '__main__':
    doc='''
        

            

                 
first item
                 
second item
                 
third item
                 
fourth item
                 
fifth item # 注意，此处缺少一个 
 闭合标签
             
         
        '''

    html = etree.HTML(doc)
    print(html.xpath("//*[contains(@class,'item')]"))

【结果为】

[, , , , ]

starts-with

from lxml import etree
if __name__ == '__main__':
    doc='''
        

            

                 
first item
                 
second item
                 
third item
                 
fourth item
                 
fifth item # 注意，此处缺少一个 
 闭合标签
             
         
        '''

    html = etree.HTML(doc)
    print(html.xpath("//*[contains(@class,'item')]"))
    print(html.xpath("//*[starts-with(@class,'ul')]"))

【结果为】

[, , , , , ]
[]

ends-with

print(html.xpath("//*[ends-with(@class,'ul')]"))

【结果为】

Traceback (most recent call last):
  File "F:/OneDrive/pprojects/shoes-show-spider/test/xp5_test.py", line 18, in 
    print(html.xpath("//*[ends-with(@class,'ul')]"))
  File "src\lxml\etree.pyx", line 1582, in lxml.etree._Element.xpath
  File "src\lxml\xpath.pxi", line 305, in lxml.etree.XPathElementEvaluator.__call__
  File "src\lxml\xpath.pxi", line 225, in lxml.etree._XPathEvaluatorBase._handle_result
lxml.etree.XPathEvalError: Unregistered function

看来python的lxml并不支持有的xpath函数列表

upper-case

和ends-with函数一样，也不支持。同样报错lxml.etree.XPathEvalError: Unregistered function

print(html.xpath("//a[contains(upper-case(@class),'ITEM-INACTIVE')]"))

text、last

#最后一个li被限定了
print(html.xpath("//li[last()]/a/text()"))

#会得到所有的``元素的内容，因为每个标签都是各自父元素的最后一个元素。
#本来每个li就只有一个子元素，所以都是最后一个
print(html.xpath("//li/a[last()]/text()"))  

print(html.xpath("//li/a[contains(text(),'third')]"))

['fifth item']
['second item', 'third item', 'fourth item', 'fifth item']
[]

print(html.xpath("//li[position()=2]/a/text()"))
#结果为['third item']

print(html.xpath("//li[last()]/a/position()"))
#结果  lxml.etree.XPathEvalError: Unregistered function

print(html.xpath("//ul/li[@class='item-inactive']/node()"))
print(html.xpath("//ul/node()"))

[]
['\n                 ', , '\n                 ', , '\n                 ', , '\n                 ', , '\n                 ', , ' 闭合标签\n             ']

from lxml import etree
if __name__ == '__main__':
    doc='''
        

            

                 
first item
                 
second item
                 
third item
                 
fourth item
                 
fifth item # 注意，此处缺少一个 
 闭合标签
             
         
        '''
    html = etree.XML(doc)
    print(html.xpath("//a/text()"))
    print(html.xpath("//a")[0].text)
    print(html.xpath("//ul")[0].text)
    print(len(html.xpath("//ul")[0].text))
    print(html.xpath("//ul/text()"))

【结果为】

['first item', 'second item', 'third item', 'fourth item', 'fifth item']
first item

                 
18
['\n                 ', '\n                 ', '\n                 ', '\n                 ', '\n                 ', ' 闭合标签\n             ']

看到这里，我们观察到text()和.text的区别。自己总结吧。不太好表达，就不表达了

获取属性

print(html.xpath("//a/@href"))
print(html.xpath("//li/@class"))

【结果为】

['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']
['item-0 active', 'item-1', 'item-inactive', 'item-1', 'item-0']

自定义函数

我们从使用函数的过程中得到结论，就是有的函数不支持，有的支持，那问题来了，到底哪些函数支持呢。我们在lxml官网找到了答案。https://lxml.de/xpathxslt.html。lxml 支持XPath 1.0 ，想使用其他扩展，使用libxml2，和libxslt的标准兼容的方式。XPath 1.0官方文档 以及其他版本的XPath文档 https://www.w3.org/TR/xpath/

lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way.  

除此之外，lxml还提供了自定义函数的方式来扩展xpath的支持度 https://lxml.de/extensions.html

from lxml import etree

#定义函数
def ends_with(context,s1,s2):
    return s1[0].endswith(s2)
if __name__ == '__main__':
    doc='''
        

            

                 
first item
                 
second item
                 
third item
                 
fourth item
                 
fifth item # 注意，此处缺少一个 
 闭合标签
             
         
        '''
    html = etree.XML(doc)
    ns = etree.FunctionNamespace(None)  
    ns['ends-with'] = ends_with #将ends_with方法注册到方法命名空间中
    print(html.xpath("//li[ends-with(@class,'active')]"))
    print(html.xpath("//li[ends-with(@class,'active')]/a/text()"))

【结果为】

[, ]
['first item', 'third item']

• 形参s1会传入xpath中的第一个参数@class，但这里注意@class是个列表
• 形参s2会传入xpath中的第二个参数'active'，'active'是个字符串

官网例子https://lxml.de/extensions.html

def hello(context, a):
    return "Hello %s" % a

from lxml import etree
ns = etree.FunctionNamespace(None)
ns['hello'] = hello
root = etree.XML('Haegar')
print(root.xpath("hello('Dr. Falken')"))
# 结果为 Hello Dr. Falken

xpath1.0支持的函数列表

• number last() 谓语中返回在兄弟元素中排在最末尾的
• number position() 谓语中,返回该元素在兄弟中的排名
• number count(node-set) 返回子节点的个数 ,node-set代表子节点的表达式

//*[count(@*)=1]    属性只有一个的元素（因为元素的属性本身就是子节点)
//*[count(*)=1]    任意一种属性如果为1，就满足
//*[count(a)=1] 子元素中有一个``的元素

If a document does not have a DTD, then no element in the document will have a unique ID.