# xpath简介

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。用于在 XML 文档中通过元素和属性进行导航。

XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询语言。

xpath术语

节点

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

节点关系

父（Parent）

每个元素以及属性都有一个父。

在下面的例子中，book 元素是 title、author、year 以及 price 元素的父：

<book>

  <title>Harry Potter</title>

  <author>J K. Rowling</author>

  <year>2005</year>

  <price>29.99</price>

</book>

子（Children）

元素节点可有零个、一个或多个子。

在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子：

<book>

  <title>Harry Potter</title>

  <author>J K. Rowling</author>

  <year>2005</year>

  <price>29.99</price>

</book>

同胞（Sibling）

拥有相同的父的节点

在下面的例子中，title、author、year 以及 price 元素都是同胞：

<book>

  <title>Harry Potter</title>

  <author>J K. Rowling</author>

  <year>2005</year>

  <price>29.99</price>

</book>

先辈（Ancestor）

某节点的父、父的父，等等。

在下面的例子中，title 元素的先辈是 book 元素和 bookstore 元素：

<bookstore>



<book>

  <title>Harry Potter</title>

  <author>J K. Rowling</author>

  <year>2005</year>

  <price>29.99</price>

</book>



</bookstore>

后代（Descendant）

某个节点的子，子的子，等等。

在下面的例子中，bookstore 的后代是 book、title、author、year 以及 price 元素：

<bookstore>



<book>

  <title>Harry Potter</title>

  <author>J K. Rowling</author>

  <year>2005</year>

  <price>29.99</price>

</book>



</bookstore>

xpath语法

选取节点

选取节点 XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点
/	从根节点选取
//	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
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

实例：

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点。
/bookstore	选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素。
//book	选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book	选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang	选取名为 lang 的所有属性。

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。

实例

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
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

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
/bookstore/*	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。

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。

xpath具体使用

环境安装： pip install lxml

解析原理：

实例化一个etree类型的对象，且将即将被解析的页面源码数据加载到该对象中
调用该对象的xpath方法结合着不同的xpath表达式进行标签定位和数据提取

实例化对象： etree.parse(fileName) etree.HTML(page_text)

使用方法：xpath返回的一定是一个列表

表达式最左侧/和//区别
非最左侧的/和//区别
属性定位：//div[@class="name"]
索引定位：//div[2]
/text()和//text()
div/a/@href

<html lang="en">

<head>

    <meta charset="UTF-8" />

    <title>测试bs4</title>

</head>

<body>

    <div>

        <p>百里守约</p>

    </div>

    <div class="song">

        <p>李清照</p>

        <p>王安石</p>

        <p>苏轼</p>

        <p>柳宗元</p>

        <a href="http://www.song.com/" title="赵匡胤" target="_self">

            <span>this is span</span>

        宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a>

        <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>

        <img src="http://www.baidu.com/meinv.jpg" alt="" />

    </div>

    <div class="tang">

        <ul>

            <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>

            <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>

            <li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>

            <li><a href="http://www.sina.com" class="du">杜甫</a></li>

            <li><a href="http://www.dudu.com" class="du">杜牧</a></li>

            <li><b>杜小月</b></li>

            <li><i>度蜜月</i></li>

            <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>

        </ul>

    </div>

</body>

</html>

test.html

实例化一个tree对象

from lxml import etree

tree = etree.parse("test.html")

1.基于标签定位的xpath表达式

xpath方法返回值永远是一个列表
xpath表达式中最左侧的/和//的区别

/表示我们必须从根标签进行定位
//表示我们可以定义任意位置的标签

tree.xpath("/html/head/meta")

# [<Element meta at 0x1bd33576f08>]



tree.xpath("//meta")

# [<Element meta at 0x1bd33576f08>]

查找到多个

tree.xpath("//div")

输出

[<Element div at 0x1bd3223c048>,

 <Element div at 0x1bd33584148>,

 <Element div at 0x1bd33584ac8>]

2.属性定位

tree.xpath("//div[@class='song']")

# [<Element div at 0x1bd33584148>]

3.索引定位

索引值是从1开始

在xpath表达式中非最左侧的/和//的区别

/表示一个层级
//表示多个层级

tree.xpath("//div[@class='tang']/ul/li[3]")

# [<Element li at 0x1bd335849c8>]



tree.xpath("//div[@class='tang']//li[3]")

4.取文本

/text():获取的是标签下直系的文本数据
//text():获取的标签下所有的文本数据

tree.xpath("//div[@class='tang']//li[5]/a/text()")

# ['杜牧']

获取多个文本

string_list = tree.xpath("//div[@class='tang']//text()")

"".join(string_list).replace("\n","").replace("\t","")

# '清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君杜甫杜牧杜小月度蜜月凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘'

5.取属性

获取的也是一个列表

tree.xpath("//div[@class='tang']//li[5]/a/@href")

# ['http://www.dudu.com']

实例

需求：爬取boss中的岗位信息（岗位名称，薪资，公司名称，岗位描述）

url = "https://www.zhipin.com/job_detail/?query=python爬虫&page=%d"

f = open("boss.txt","w",encoding="utf-8")

for page in range(1,2):

    new_url = format(url%page)

    page_text = requests.get(url=new_url,headers=headers).text

    # xpath的数据解析

    tree = etree.HTML(page_text)  # tree中存储的是整张页面中对应的页面源代码

    li_list = tree.xpath("//div[@id='main']//div[@class='job-list']//li")

    # 遍历每个职位信息所在的li标签

    for li in li_list:

        job_name = li.xpath("./div/div[1]//a/div[@class='job-title']/text()")[0]

        salary = li.xpath("./div/div[1]//a/span/text()")[0]

        detail_url ='https://www.zhipin.com' + li.xpath("./div/div[1]//a/@href")[0]

        company_name = li.xpath("./div/div[2]/div[@class='company-text']/h3/a/text()")[0]

        print(job_name,salary,detail_url,company_name)

        # 获取职位详细要求

        detail_page_text = requests.get(url=detail_url,headers=headers).text

        detail_tree = etree.HTML(detail_page_text)

        job_desc = detail_tree.xpath('//*[@id="main"]/div[3]/div/div[2]/div[2]/div[1]/div/text()')

        job_desc = ''.join(job_desc)

        f.write(job_name+":"+salary+":"+company_name+":"+job_desc+"\n\n")

f.close()

巴特西

爬虫解析库xpath