xpath解析

xpath在Python的爬虫学习中，起着举足轻重的地位，对比正则表达式 re两者可以完成同样的工作，实现的功能也差不多，但xpath明显比re具有优势，在网页分析上使re退居二线。

xpath 全称为XML Path Language 一种小型的查询语言

xpath的优点：

可在XML中查找信息
支持HTML的查找
通过元素和属性进行导航

python开发使用XPath条件： 由于XPath属于lxml库模块，所以首先要安装库lxml。

from lxml import etree

selector=etree.HTML(源码) #将源码转化为能被XPath匹配的格式

selector.xpath(表达式) #返回为一列表

【1】路径表达式

表达式	描述	实例	解析
/	从根节点选取	`/body/div[1]`	选取根结点下的body下的第一个div标签
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置	`//a`	选取文档中所有的a标签
./	当前节点再次进行xpath	`./a`	选取当前节点下的所有a标签
@	选取属性	`//@calss`	选取所有的class属性

from lxml import etree

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,

<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>

<p class="story">...</p>

"""

selector = etree.HTML(html_doc)

print(type(selector)) #<class 'lxml.etree._Element'>

results = selector.xpath("//a")

print(results) # [<Element a at 0x2155de71640>, <Element a at 0x2155e3976c0>, <Element a at 0x2155e397800>]

for result in results:

    href = result.xpath('./@href')

    href1 = result.xpath('./@href')[0] #获取标签里的href值

    href2 = result.xpath('./text()')[0] #获取标签里的文本值

    print(href)#['http://example.com/elsie'] ['http://example.com/lacie'] ['http://example.com/tillie']

    print(href1)#http://example.com/elsie http://example.com/lacie http://example.com/tillie

    print(href2) #Elsie Lacie Tillie

【2】谓语（Predicates）

谓语用来查找某个特定的节点或者包含某个指定的值的节点。

谓语被嵌在方括号中。

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

路径表达式	结果
/ul/li[1]	选取属于 ul子元素的第一个 li元素。
/ul/li[last()]	选取属于 ul子元素的最后一个 li元素。
/ul/li[last()-1]	选取属于 ul子元素的倒数第二个 li元素。
//ul/li[position()️]	选取最前面的两个属于 ul元素的子元素的 li元素。
//a[@title]	选取所有拥有名为 title的属性的 a元素。
//a[@title='xx']	选取所有 a元素，且这些元素拥有值为 xx的 title属性。
//a[@title>10] `> < >= <= !=`	选取 a元素的所有 title元素，且其中的 title元素的值须大于 10。
/body/div[@price>35.00]	选取body下price元素值大于35的div节点

【3】选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式	结果
/ul/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。
//node()	获取所有节点

【4】选取若干路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式	结果
//book/title \| //book/price	选取 book 元素的所有 title 和 price 元素。
//title \| //price	选取文档中的所有 title 和 price 元素。
/bookstore/book/title \| //price	选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。

逻辑运算

//div[@id="head" and @class="s_down"] # 查找所有id属性等于head并且class属性等于s_down的div标签

//title | //price # 选取文档中的所有 title 和 price 元素,“|”两边必须是完整的xpath路径

属性查询

//div[@id] # 找所有包含id属性的div节点

//div[@id="maincontent"]  # 查找所有id属性等于maincontent的div标签

//@class

//li[@name="xx"]//text()  # 获取li标签name为xx的里面的文本内容

获取第几个标签索引从1开始

tree.xpath('//li[1]/a/text()')  # 获取第一个

tree.xpath('//li[last()]/a/text()')  # 获取最后一个

tree.xpath('//li[last()-1]/a/text()')  # 获取倒数第二个

模糊查询

//div[contains(@id, "he")]  # 查询所有id属性中包含he的div标签

//div[starts-with(@id, "he")] # 查询所有id属性中包以he开头的div标签

//div/h1/text()  # 查找所有div标签下的直接子节点h1的内容

//div/a/@href   # 获取a里面的href属性值

//*  #获取所有

//*[@class="xx"]  #获取所有class为xx的标签

# 获取节点内容转换成字符串

c = tree.xpath('//li/a')[0]

result=etree.tostring(c, encoding='utf-8')

print(result.decode('UTF-8'))

【5】案例

豆瓣Top250基于xpath解析：

import requests

from lxml import etree

url = "https://movie.douban.com/top250?start=0"

headers = {

    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.82 Safari/537.36"

}

resp = requests.get(url, headers=headers)

tree = etree.HTML(resp.text)  # 加载页面源代码

items = tree.xpath('//li/div[@class="item"]/div[@class="info"]')

for item in items:

    title = item.xpath('./div[@class="hd"]/a/span[1]/text()')[0]

    rating_num = item.xpath('./div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()')[0]

    comment_num = item.xpath('./div[@class="bd"]/div[@class="star"]/span[4]/text()')[0]

    print(title, rating_num, comment_num)

练习：基于xpath完成解析练习

import requests

from lxml import etree

res = requests.get("https://top.baidu.com/board?platform=pc&sa=pcindex_entry", )

selector = etree.HTML(res.text)

rets = selector.xpath('//div[@theme="car"]//div[contains(@class,"item-wrap_Z0BrP ")]')

info = {}

for i in rets:

    name = i.xpath('./div[@class="normal_1glFU"]/a/text()')

    link = i.xpath('./div[@class="normal_1glFU"]/a/@href')

    info[name[0]] = link[0]

print(info)

print(len(info))

巴特西

Day 11 11.1 Xpath解析