Xpath 学习笔记

XPath概览

XPath，全称XML Path Language，即XML路径语言，它是一门在XML文档中查找信息的语言。它最初是用来搜寻XML文档的，但是它同样适用于HTML文档的搜索。

所以在做爬虫时，我们完全可以使用XPath来做相应的信息抽取。本节中，我们就来介绍XPath的基本用法。

XPath的选择功能十分强大，它提供了非常简洁明了的路径选择表达式。另外，它还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等。几乎所有我们想要定位的节点，都可以用XPath来选择。

它被设计为供XSLT、XPointer以及其他XML解析软件使用，更多的文档可以访问其官方网站：https://www.w3.org/TR/xpath/。

XPath常用规则

表达式	描述
nodename	选取此节点的所有子节点
/	从当前节点选取直接子节点
//	从当前节点选取子孙节点
.	选取当前节点
..	选取当前节点的父节点
@	选取属性

XPath的常用匹配规则，示例如下：

1 2	str_xpath="//title[@class='python']" html.xpath()

这就是一个XPath规则，它代表选择所有名称为title，同时属性class的值为python的节点。
后面会通过Python的lxml库，利用XPath进行HTML的解析。

安装

1	pip install lxml

使用以上命令，安装即可。

示例讲解

1	from lxml import etree

对基本包导入，我们需要用到etree这个包来解析网页。

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a>
     </ul>
 </div>
'''

我们自己声明一个变量，该变量是字符创，html格式的文本，

1	html = etree.HTML(text)

调用HTML类进行初始化，这样就成功构造了一个XPath解析对象。这里需要注意的是，HTML文本中的最后一个li节点是没有闭合的，但是etree模块可以自动修正HTML文本。

1	print(etree.tostring(html).decode('utf-8'))

<html><body><div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a>
     </li></ul>
 </div>
</body></html>

调用tostring()方法即可输出修正后的HTML代码，但是结果是bytes类型。这里利用decode()方法将其转成str类型。
我们可以看到，经过处理之后，li节点标签被补全，并且还自动添加了body、html节点。

选取所有节点

一般会用//开头的XPath规则来选取所有符合要求的节点。这里以前面的HTML文本为例，如果要选取所有节点，可以这样实现：

1	html.xpath('//*')

[<Element html at 0x199551eb408>,
<Element body at 0x19955205108>,
<Element div at 0x19955243288>,
     <Element ul at 0x19955243508>,
     <Element li at 0x19955243388>,
     <Element a at 0x199552433c8>,
     <Element li at 0x19955243408>,
     <Element a at 0x199552434c8>,
     <Element li at 0x19955243608>,
     <Element a at 0x19955243488>,
     <Element li at 0x19955243648>,
     <Element a at 0x19955243688>,
     <Element li at 0x199552436c8>,
     <Element a at 0x19955243708>]

这里使用*代表匹配所有节点，也就是整个HTML文本中的所有节点都会被获取。
可以看到，返回形式是一个列表，每个元素是Element类型，其后跟了节点的名称，如html、body、div、ul、li、a等，所有节点都包含在列表中了。

选取某特定节点

1	html.xpath('//li')


[<Element li at 0x19955243388>,
 <Element li at 0x19955243408>,
 <Element li at 0x19955243608>,
 <Element li at 0x19955243648>,
 <Element li at 0x199552436c8>]

如上所示，此处匹配也可以指定节点名称。获取所有li节点，可以用//，然后加上节点名称既可以，调用时依然需要使用xpath()方法。
返回的结果是个列表，里面的元素是可以操作的Element对象。

选取节点下的子节点

1	html.xpath('//li/a')

[<Element a at 0x199552433c8>,
 <Element a at 0x199552434c8>,
 <Element a at 0x19955243488>,
 <Element a at 0x19955243688>,
 <Element a at 0x19955243708>]

我们通过/或//即可查找元素的子节点或子孙节点。如上我们选择li节点的所有直接a子节点。
以上的/用于选取直接的子节点，如果想要获取所有的子孙节点，可以使用//.
例如，我们获取’ul’节点下的所有子孙节点a,代码如下：

1	html.xpath('//ul//a')

[<Element a at 0x199552433c8>,
 <Element a at 0x199552434c8>,
 <Element a at 0x19955243488>,
 <Element a at 0x19955243688>,
 <Element a at 0x19955243708>]

父节点

我们知道通过连续的/或//可以查找子节点或子孙节点，那么假如我们知道了子节点，怎样来查找父节点呢？这可以用..来实现。

比如，现在首先选中href属性为link4.html的a节点，然后再获取其父节点，然后再获取其class属性，相关代码如下：

1	html.xpath('//a[@href="link4.html"]/../@class')

1	['item-1']

检查一下结果发现，这正是我们获取的目标li节点的class。
同时，我们也可以通过parent::来获取父节点，代码如下：

1	html.xpath('//a[@href="link4.html"]/parent::*/@class')

1	['item-1']

属性匹配

在选取的时候，我们还可以用@符号进行属性过滤。
比如，这里如果要选取class为item-1的li节点，可以这样实现:

1	html.xpath('//li[@class="item-0"]')

1	[<Element li at 0x19955243388>, <Element li at 0x199552436c8>]

这里我们通过加入[@class=”item-0”]，限制了节点的class属性为item-0，而HTML文本中符合条件的li节点有两个，所以结果应该返回两个匹配到的元素。

文本获取

我们用XPath中的text()方法获取节点中的文本，接下来尝试获取前面li节点中的文本

1	html.xpath('//li[@class="item-0"]/text()')

1
2


['\n     ']

奇怪的是，我们并没有获取到任何文本，只获取到了一个换行符，这是为什么呢？因为XPath中text()前面是/，
而此处/的含义是选取直接子节点，很明显li的直接子节点都是a节点，文本都是在a节点内部的，
所以这里匹配到的结果就是被修正的li节点内部的换行符，因为自动修正的li节点的尾标签换行了。
即选中的是这两个节点：

1
2
3

<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</li>

其中一个节点因为自动修正，li节点的尾标签添加的时候换行了，所以提取文本得到的唯一结果就是li节点的尾标签和a节点的尾标签之间的换行符。

因此，如果想获取li节点内部的文本，就有两种方式，一种是先选取a节点再获取文本，另一种就是使用//。接下来，我们来看下二者的区别。

首先，选取到a节点再获取文本，代码如下：

1	html.xpath('//li[@class="item-0"]/a/text()')

1	['first item', 'fifth item']

可以看到，这里的返回值是两个，内容都是属性为item-0的li节点的文本，这也印证了前面属性匹配的结果是正确的。

这里我们是逐层选取的，先选取了li节点，又利用/选取了其直接子节点a，然后再选取其文本，得到的结果恰好是符合我们预期的两个结果。
再来看下用另一种方式（即使用//）选取的结果，代码如下：

1	html.xpath('//li[@class="item-0"]//text()')

1 2	['first item', 'fifth item', '\n ']

不出所料，这里的返回结果是3个。可想而知，这里是选取所有子孙节点的文本，其中前两个就是li的子节点a节点内部的文本，另外一个就是最后一个li节点内部的文本，即换行符。

所以说，如果要想获取子孙节点内部的所有文本，可以直接用//加text()的方式，这样可以保证获取到最全面的文本信息，但是可能会夹杂一些换行符等特殊字符。如果想获取某些特定子孙节点下的所有文本，可以先选取到特定的子孙节点，然后再调用text()方法获取其内部文本，这样可以保证获取的结果是整洁的。

属性获取

我们知道用text()可以获取节点内部文本，那么节点属性该怎样获取呢？其实还是用@符号就可以。例如，我们想获取所有li节点下所有a节点的href属性，代码如下：

1	html.xpath('//li/a/@href')

1	['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

我们通过@href即可获取节点的href属性。注意，此处和属性匹配的方法不同，属性匹配是中括号加属性名和值来限定某个属性，如[@href=”link1.html”]，而此处的@href指的是获取节点的某个属性，二者需要做好区分。

属性多值匹配

有时候，某些节点的某个属性可能有多个值，例如：

text = '''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)

这里HTML文本中li节点的class属性有两个值li和li-first，此时如果还想用之前的属性匹配获取，就无法匹配了，此时的运行结果如下：

1	html.xpath('//li[@class="li"]/a/text()')

[]

这时就需要用contains()函数了，代码可以改写如下：

1	html.xpath('//li[contains(@class, "li")]/a/text()')

1	['first item']

此种方式在某个节点的某个属性有多个值时经常用到，如某个节点的class属性通常有多个。

多属性匹配

，我们可能还遇到一种情况，那就是根据多个属性确定一个节点，这时就需要同时匹配多个属性。此时可以使用运算符and来连接，示例如下：


text = '''
<li class="li li-first" name="item"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)

这里的li节点又增加了一个属性name。要确定这个节点，需要同时根据class和name属性来选择，一个条件是class属性里面包含li字符串，另一个条件是name属性为item字符串，二者需要同时满足，需要用and操作符相连，相连之后置于中括号内进行条件筛选。运行结果如下：

1	html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')

1	['first item']

运算符及其介绍

运算符	描述	实例	返回值
or	或	age=19 or age=20	如果age是19，则返回true。如果age是21，则返回false
and	与	age>19 and age<21	如果age是20，则返回true。如果age是18，则返回false
mod	计算除法的余数	5 mod 2	1
+	加法	6 + 4	10
-	减法	6 - 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等于	age=19	如果age是19，则返回true。如果age是20，则返回false
!=	不等于	age!=19	如果age是18，则返回true。如果age是19，则返回false
<	小于	age<19	如果age是18，则返回true。如果age是19，则返回false
<=	小于或等于	age<=19	如果age是19，则返回true。如果age是20，则返回false
>	大于	age>19	如果age是20，则返回true。如果age是19，则返回false
>=	大于或等于	age>=19	如果age是19，则返回true。如果age是18，则返回false

按序选择

有时候，我们在选择的时候某些属性可能同时匹配了多个节点，但是只想要其中的某个节点，如第二个节点或者最后一个节点，这时该怎么办呢？
这时可以利用中括号传入索引的方法获取特定次序的节点，示例如下：

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a>
     </ul>
 </div>
'''
html = etree.HTML(text)

我们选取了第一个li节点，中括号中传入数字1即可。注意，这里和代码中不同，序号是以1开头的，不是以0开头。

1	html.xpath('//li[1]/a/text()')

1	['first item']

我们选取了最后一个li节点，中括号中传入last()即可，返回的便是最后一个li节点。

1	html.xpath('//li[last()]/a/text()')

1	['fifth item']

我们选取了位置小于3的li节点，也就是位置序号为1和2的节点，得到的结果就是前两个li节点。

1	html.xpath('//li[position()<3]/a/text()')

1	['first item', 'second item']

我们选取了倒数第三个li节点，中括号中传入last()-2即可。因为last()是最后一个，所以last()-2就是倒数第三个。

1	html.xpath('//li[last()-2]/a/text()')

1	['third item']

如果想查询更多XPath的用法，可以查看：http://www.w3school.com.cn/xpath/index.asp。

如果想查询更多Python lxml库的用法，可以查看http://lxml.de/。