xpath筆記python
XPath在Python的爬蟲學習中,起著舉足輕重的地位,對比正則表示式 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? 全稱為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中查詢資訊
2) 支援HTML的查詢
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庫模組,所以首先要安裝庫lxml,具體的安裝過程可以檢視部落格,包括easy_install和pip的安裝方法。
XPath的簡單呼叫方法:
from lxmlimport etree
selector=etree.HTML(原始碼)#將原始碼轉化為能被XPath匹配的格式
selector.xpath(表示式)#返回為一列表
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,在文件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字內容
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).
7) .. 雙點 選取當前節點的父節點
另外還有starts-with(@屬性名稱,屬性字元相同部分),string(.)兩種重要的特殊方法後面將重點講。
利用例項講解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()') #這裡使用id屬性來定位哪個div和ul被匹配 使用text()獲取文字內容
for i in content:
print i
#輸出為
NO.1
NO.2
NO.3
con=selector.xpath('//a/@href') #這裡使用//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
#輸出結果為:
http://www.58.com
http://www.csdn.net
con=selector.xpath('/html/body/div/a/@title') #使用絕對路徑和使用相對路徑定位 兩者效果是一樣的
print len(con)
print con[0]con[1]
#輸出結果為:
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()') #這裡使用starts-with方法提取div的id標籤屬性值開頭為a的div標籤
for each in content:
print each
#輸出結果為:
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 #輸出內容為left west
data=sel.xpath('//div[@id="a"]')[0]
info=data.xpath('string(.)')
content=info.replace('\n','').replace(' ','')
for i in content:
print i #輸出為 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
這裡使用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”] 這裡使用【3】來尋找第三個ul標籤 並且它的id屬性值為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開啟) 就可以在elements中檢視網頁的html標籤了,找到你想要獲取XPath的標籤,右擊->Copy XPath 就已經將XPath路徑複製到了剪下板。
有朋友問我正則,,okey,其實我的正則也不好,但是python下xpath是相對較簡單的
簡單瞭解一下xpath:
XPath 是一門在 XML 文件中查詢資訊的語言。XPath 可用來在 XML 文件中對元素和屬性進行遍歷。
XPath 是 W3C XSLT 標準的主要元素,並且 XQuery 和 XPointer 都構建於 XPath 表達之上。
因此,對 XPath 的理解是很多高階 XML 應用的基礎。
這個是w3c上關於xpath的介紹,可以看出xpath是在xml文件中查詢資訊的語言
在 XPath 中,有七種型別的節點:元素、屬性、文字、名稱空間、處理指令、註釋以及文件(根)節點。XML 文件是被作為節點樹來對待的。樹的根被稱為文件節點或者根節點。
根節點在xpath中可以用“//”來啊表示
XPath 使用路徑表示式來選取 XML 文件中的節點或節點集。節點是通過沿著路徑 (path) 或者步 (steps) 來選取的。
接下來一個例子
<?xml version="1.0" encoding="ISO-8859-1"?> <bookstore> <book> <title lang="eng">Harry Potter</title> <price>29.99</price> </book> <book> <title lang="eng">Learning XML</title> <price>39.95</price> </book> </bookstore>
這個是基本的語法(掌握了這些基本都可以抓取到):
表示式 | 描述 |
---|---|
nodename | 選取此節點的所有子節點。 |
/ | 從根節點選取。 |
// | 從匹配選擇的當前節點選擇文件中的節點,而不考慮它們的位置。 |
. | 選取當前節點。 |
.. | 選取當前節點的父節點。 |
@ | 選取屬性。 |
例項
在下面的表格中,我們已列出了一些路徑表示式以及表示式的結果:
路徑表示式 | 結果 |
---|---|
bookstore | 選取 bookstore 元素的所有子節點。 |
/bookstore |
選取根元素 bookstore。 註釋:假如路徑起始於正斜槓( / ),則此路徑始終代表到某元素的絕對路徑! |
bookstore/book | 選取屬於 bookstore 的子元素的所有 book 元素。 |
//book | 選取所有 book 子元素,而不管它們在文件中的位置。 |
bookstore//book | 選擇屬於 bookstore 元素的後代的所有 book 元素,而不管它們位於 bookstore 之下的什麼位置。 |
//@lang | 選取名為 lang 的所有屬性。 |
謂語(Predicates)
謂語用來查詢某個特定的節點或者包含某個指定的值的節點。
謂語被嵌在方括號中。
例項
在下面的表格中,我們列出了帶有謂語的一些路徑表示式,以及表示式的結果:
路徑表示式 | 結果 |
---|---|
/bookstore/book[1] | 選取屬於 bookstore 子元素的第一個 book 元素。 |
/bookstore/book[last()] | 選取屬於 bookstore 子元素的最後一個 book 元素。 |
/bookstore/book[last()-1] | 選取屬於 bookstore 子元素的倒數第二個 book 元素。 |
/bookstore/book[position()<3] | 選取最前面的兩個屬於 bookstore 元素的子元素的 book 元素。 |
//title[@lang] | 選取所有擁有名為 lang 的屬性的 title 元素。 |
//title[@lang='eng'] | 選取所有 title 元素,且這些元素擁有值為 eng 的 lang 屬性。 |
/bookstore/book[price>35.00] | 選取 bookstore 元素的所有 book 元素,且其中的 price 元素的值須大於 35.00。 |
/bookstore/book[price>35.00]/title | 選取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值須大於 35.00。 |
選取未知節點
XPath 萬用字元可用來選取未知的 XML 元素。
萬用字元 | 描述 |
---|---|
* | 匹配任何元素節點。 |
@* | 匹配任何屬性節點。 |
node() | 匹配任何型別的節點。 |
例項
在下面的表格中,我們列出了一些路徑表示式,以及這些表示式的結果:
路徑表示式 | 結果 |
---|---|
/bookstore/* | 選取 bookstore 元素的所有子元素。 |
//* | 選取文件中的所有元素。 |
//title[@*] | 選取所有帶有屬性的 title 元素。 |
選取若干路徑
通過在路徑表示式中使用“|”運算子,您可以選取若干個路徑。
例項
在下面的表格中,我們列出了一些路徑表示式,以及這些表示式的結果:
路徑表示式 | 結果 |
---|---|
//book/title | //book/price | 選取 book 元素的所有 title 和 price 元素。 |
//title | //price | 選取文件中的所有 title 和 price 元素。 |
/bookstore/book/title | //price |
選取屬於 bookstore 元素的 book 元素的所有 title 元素,以及文件中所有的 price 元素。 |
這些就是xpath的語法內容
在運用到python抓取時要先轉換為xml
Import lxml #首先要先匯入庫
etree.HTML() #這個就是轉換為xml的python的語法,HTML括號內填入目標站點的原始碼,可以參照另一篇博文,《爬蟲下載百度貼吧圖片》
之後各位就可以抓取指定的內容了
xpath語法
一、選取節點
常用的路徑表示式:
表示式 | 描述 | 例項 | |
---|---|---|---|
nodename | 選取nodename節點的所有子節點 | xpath(‘//div’) | 選取了div節點的所有子節點 |
/ | 從根節點選取 | xpath(‘/div’) | 從根節點上選取div節點 |
// | 選取所有的當前節點,不考慮他們的位置 | xpath(‘//div’) | 選取所有的div節點 |
. | 選取當前節點 | xpath(‘./div’) | 選取當前節點下的div節點 |
.. | 選取當前節點的父節點 | xpath(‘..’) | 回到上一個節點 |
@ | 選取屬性 | xpath(’//@class’) | 選取所有的class屬性 |
二、謂語
謂語被嵌在方括號內,用來查詢某個特定的節點或包含某個制定的值的節點
例項:
表示式 | 結果 |
---|---|
xpath(‘/body/div[1]’) | 選取body下的第一個div節點 |
xpath(‘/body/div[last()]’) | 選取body下最後一個div節點 |
xpath(‘/body/div[last()-1]’) | 選取body下倒數第二個div節點 |
xpath(‘/body/div[positon()<3]’) | 選取body下前兩個div節點 |
xpath(‘/body/div[@class]’) | 選取body下帶有class屬性的div節點 |
xpath(‘/body/div[@class=”main”]’) | 選取body下class屬性為main的div節點 |
xpath(‘/body/div[price>35.00]’) | 選取body下price元素值大於35的div節點 |
三、萬用字元
Xpath通過萬用字元來選取未知的XML元素
表示式 | 結果 |
---|---|
xpath(’/div/*’) | 選取div下的所有子節點 |
xpath(‘/div[@*]’) | 選取所有帶屬性的div節點 |
四、取多個路徑
使用“|”運算子可以選取多個路徑
表示式 | 結果 |
---|---|
xpath(‘//div|//table’) | 選取所有的div和table節點 |
五、Xpath軸
軸可以定義相對於當前節點的節點集
軸名稱 | 表示式 | 描述 |
---|---|---|
ancestor | xpath(‘./ancestor::*’) | 選取當前節點的所有先輩節點(父、祖父) |
attribute | xpath(‘./attribute::*’) | 選取當前節點的所有屬性 |
child | xpath(‘./child::*’) | 返回當前節點的所有子節點 |
descendant | xpath(‘./descendant::*’) | 返回當前節點的所有後代節點(子節點、孫節點) |
following | xpath(‘./following::*’) | 選取文件中當前節點結束標籤後的所有節點 |
following-sibing | xpath(‘./following-sibing::*’) | 選取當前節點之後的兄弟節點 |
parent | xpath(‘./parent::*’) | 選取當前節點的父節點 |
preceding | xpath(‘./preceding::*’) | 選取文件中當前節點開始標籤前的所有節點 |
preceding-sibling | xpath(‘./preceding-sibling::*’) | 選取當前節點之前的兄弟節點 |
self | xpath(‘./self::*’) | 選取當前節點 |
六、功能函式
使用功能函式能夠更好的進行模糊搜尋
函式 | 用法 | 解釋 |
---|---|---|
starts-with | xpath(‘//div[starts-with(@id,”ma”)]‘) | 選取id值以ma開頭的div節點 |
contains | xpath(‘//div[contains(@id,”ma”)]‘) | 選取id值包含ma的div節點 |
and | xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘) | 選取id值包含ma和in的div節點 |
text() | xpath(‘//div[contains(text(),”ma”)]‘) | 選取節點文字包含ma的div節點 |