Python Xpath


#

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='''
        <div>
            <ul>
                 <li class="item-0"><a href="link1.html">first itema>li>
                 <li class="item-1"><a href="link2.html">second itema>li>
                 <li class="item-inactive"><a href="link3.html">third itema>li>
                 <li class="item-1"><a href="link4.html">fourth itema>li>
                 <li class="item-0"><a href="link5.html">fifth itema> # 注意,此处缺少一个 li> 闭合标签
             ul>
         div>
        '''

    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#

    /   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#

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

多个路径#

xpath内置很多函数。更多函数查看https://www.w3school.com.cn/xpath/xpath_functions.asp

  • contains(string1,string2)
  • starts-with(string1,string2)
  • ends-with(string1,string2) #不支持
  • upper-case(string) #不支持
  • text()
  • last()
  • position()
  • node()

可以看到last()也是个函数,在前面我们在谓语中已经提到过了

案例#

匹配多个元素,返回列表

from lxml import etree

if __name__ == '__main__':
    doc='''
        
''' html = etree.HTML(doc) print(html.xpath("//li")) print(html.xpath("//p"))

【结果为】

[at 0x2b41b749848>, at 0x2b41b749808>, at 0x2b41b749908>, at 0x2b41b749948>, at 0x2b41b749988>]
[]  #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'
  • class="item-inactive">"link3.html">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#

    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activeclass。用contains就能很方便

    from lxml import etree
    if __name__ == '__main__':
        doc='''
            <div>
                <ul>
                     <p class="item-0 active"><a href="link1.html">first itema>p>
                     <li class="item-1"><a href="link2.html">second itema>li>
                     <li class="item-inactive"><a href="link3.html">third itema>li>
                     <li class="item-1"><a href="link4.html">fourth itema>li>
                     <li class="item-0"><a href="link5.html">fifth itema> # 注意,此处缺少一个 li> 闭合标签
                 ul>
             div>
            '''
    
        html = etree.HTML(doc)
        print(html.xpath("//*[contains(@class,'item')]"))
    

    【结果为】

    [at 0x23f4a9d12c8>, at 0x23f4a9d13c8>, at 0x23f4a9d1408>, at 0x23f4a9d1448>, at 0x23f4a9d1488>]
    

    starts-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#

    #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')]"))
    

    【结果为】

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

    position#

    返回所有子节点,不管这个子节点是什么类型(熟悉,元素,内容)

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

    【结果为】

    [0x239a0d197c8>]
    ['\n                 ', 0x239a0d19788>, '\n                 ', 0x239a0d19888>, '\n                 ', 0x239a0d19908>, '\n                 ', 0x239a0d19948>, '\n                 ', 0x239a0d198c8>, ' 闭合标签\n             ']
    

    获取内容#

    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#

    • 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
    
    • node-set id("foo") 返回唯一id为foo的元素 。尝试了多次,未尝试出来,这里的唯一id是基于xml的,有下面这样一句话。所以确实没测试出来
    If a document does not have a DTD, then no element in the document will have a unique ID.
    
    • string local-name(node-set?)

    • string name(node-set?)

    • string namespace-uri(node-set?)

    • string concat(string, string, string*)

    • boolean starts-with(string, string)

    • boolean contains(string, string)

    • string substring-before(string, string)

    • string substring-after(string, string)

    • string substring(string, number, number?)

    • number string-length(string?)

    • string normalize-space(string?)

    • number sum(node-set)

    • number floor(number)

    • number ceiling(number)

    • number round(number)

    xpath使用工具#

    经常使用chome的小伙伴的都应该知道这个功能,在 审查 状态下(快捷键ctrl+shift+i,F12),定位到元素(快捷键ctrl+shift+c) ,在Elements选项卡中,右键元素 Copy->Copy xpath,就能得到该元素的xpath了

    XPath Helper插件#

    为chome装上XPath Helper就可以很轻松的检验自己的xpath是否正确了。安装插件需要kxsw(使用lanternFQ,或者Astar VPN),安装好插件后,在chrome右上角点插件的图标,调出插件的黑色界面,编辑好xpath表达式,表达式选中的元素被标记为黄色