python3 网页解析工具1之XPath

python 具有一些比较流行的解析库,例如

lxml

, 使用的是

XPath

语法，是大众普遍认为的网页文本信息提取的爬虫利器之一。

一. 关于 XPath

XPath 是 XML路径语言（XML Path Language），支持 HTML，是一种用来确定XML文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中查找节点的能力。Xpath 可以通过元素和属性进行导航，相比 正则表达式，它同样可以在 XML 文档中查询信息，甚至使用起来更加简单高效。

在使用它进行爬虫前，先认识一下 XPath 。这里的案列例子引荐 w3school。

在 XPath 中，有七种类型的节点：元素（element）、属性（attribute）、文本（text)、命名空间(namespace)、处理指令(processing-instruction)、注释(commnt)以及文档（根）节点(root)。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。

对于一个

XML

文件( HTML 文件可以通过

etree.HTML()方法

转为这种格式） ，他的 DOM 树一般看起来会是下面这样的：



这是一个 XML 文档：

<?xml version="1.0" encoding="ISO-8859-1"?>

<bookstore>

<book>
<title lang="en">Harry Potter</title>
<author>J K. Rowling</author>
<year>2005</year>
<price>29.99</price>
</book>

</bookstore>

1.节点关系

这里有节点 bookstore、 book、title、author、year、price。XML 文档本身就相当于数据结构树，这些节点层级结构看起来是像下面这样的：



根据对树的概念，则有以下理解：

1.  父（Parent): bookstore 元素 为 book元素 的父；book  元素为 title、author、year 以及 price 元素 的父。
2.  子（Children）：book 元素为 bookstore 元素的子;title、author、year 以及 price 元素为 book 元素的子。
3.  同胞（sibling）：title、author、year 以及 price 元素都是同胞。
4.  先辈（Ancestor）：title 元素的先辈是 book 元素和 bookstore 元素；其他 title 的同胞亦是如此。
5.  后代（Descendant）：bookstore 的后代是 book、title、author、year 以及 price 元素；book 的后代为title、author、year 以及 price 元素。

2.如何获取节点信息？

XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。

下面为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

下面为根据上面所提到的案例 XML 文档编辑的路径表达式：

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。

3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。

继续使用上面 XML 文档例子，列出带有谓语的一些路径：

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。

4.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
*	配任何元素节点。
@*	配任何属性节点。
node()	匹配任何类型的节点。

这是一个实例：

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。

5.选取若干路径

使用

|

运算符，实现选取若干个路径。

这是一个实例：

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。

6.XPath 轴

轴定义相对于当前节点的节点集。

轴名称	结果
ancestor	选取当前节点的所有先辈（父、祖父等）。
ancestor-or-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身。
attribute	选取当前节点的所有属性。
child	选取当前节点的所有子元素。
descendant	选取当前节点的所有后代元素（子、孙等）。
descendant-or-self	选取当前节点的所有后代元素（子、孙等）以及当前节点本身。
following	选取文档中当前节点的结束标签之后的所有节点。
namespace	选取当前节点的所有命名空间节点。
parent	选取当前节点的父节点。
preceding	选取文档中当前节点的开始标签之前的所有节点。
preceding-sibling	选取当前节点之前的所有同级节点。
self	选取当前节点。

7.位置路径表达式

绝对位置路径：

/step/step/...

相对位置路径：

step/step/...

其中，步（step) = 节点测试（node-test）+ 零个或更多谓语（predicate），语法为：

轴名称::节点测试[谓语]

下面是一个梳实例：

实例	结果
child::book	选取所有属于当前节点的子元素的 book 节点。
attribute::lang	选取当前节点的 lang 属性。
child::*	选取当前节点的所有子元素。
attribute::*	选取当前节点的所有属性。
child::text()	选取当前节点的所有文本子节点。
child::node()	选取当前节点的所有子节点。
descendant::book	选取当前节点的所有 book 后代。
ancestor::book	选择当前节点的所有 book 先辈。
ancestor-or-self::book	选取当前节点的所有 book 先辈以及当前节点（如果此节点是 book 节点）
child::*/child::price	选取当前节点的所有 price 孙节点。

8.XPath 运算符

下面为可用在 XPath 表达式中的运算符列表：

运算符	描述	实例	返回值
|	计算两个节点集	//book | //cd	返回所有拥有 book 和 cd 元素的节点集
+	加法	6 + 4	10
-	减法	6 - 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等于	price=9.80	如果 price 是 9.80，则返回 true。 如果 price 是 9.90，则返回 false。
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。 如果 price 是 9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。 如果 price 是 9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。 如果 price 是 9.90，则返回 false。
>	大于	price>9.80。	如果 price 是9.90，则返回 true。 如果 price 是 9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。 如果 price 是 9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。 如果 price 是 9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。 如果 price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1

六、功能函数

使用功能函数能够更好的进行模糊搜索

函数	用法	解释
starts-with	xpath(‘//div[starts-with(@id,”ma”)]‘)	选取 id 值以 ma 开头的 div 节点
contains	xpath(‘//div[contains(@id,”ma”)]‘)	选取 id 值包含 ma 的 div 节点
and	xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘)	选取 id 值包含 ma 和 in 的 div 节点
text()	xpath(‘//div[contains(text(),”ma”)]‘)	选取节点文本包含 ma 的 div 节点

二. XPath 的运用

获取 XPath 的方式有两种：

观察找规律获取XPath

使用Chrome浏览器( 网页上击中目标数据，右击->选择审查元素（或者使用F12打开） 获取X Path 的标签，右击->Copy XPath)。

1.引用

提前确保已经安装好 lxml 库，通过

from lxml import etree

引用

2.解析文本方式

常用

HYML()方式

解析 html文件，

lxml.etree

也提供了

fromstring()

解析字符串，

XML()方法

解析

XML对象

，

parse()方法

解析文件类型对象。

3.XPath 在 python 中的使用

在 Python 爬虫 中通过 lxml 库来使用 XPath 定位网页标签的数据。

这是一个使用 Model :

import requests
from lxml import etree
url = 'your url'
content = requests.get(url).content #获取 url 网页源码
html = etree.HTML(content)#将网页源码转换为 XPath 可以解析的格式
element =html.xpath('//*[class='class']/div/text()') #可能为列表或节点
print(element)

这是下面常用于测试的网页源码：

<!DOCTYPE html ">
<html xmlns="http://www.w3.org/1999/xhtml">

<head>
<link rel="canonical" href="http://blog.csdn.net/qq_36148847" />
<meta http-equiv="Cache-Control" content="no-siteapp" />
<link rel="alternate" media="handheld" href="#" />
<meta name="shenma-site-verification" content="5a59773ab8077d4a62bf469ab966a63b_1497598848" />
<title>任世间混沌，独化蓝翅鸟 - CSDN博客</title>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<link rel="Stylesheet" type="text/css" href="http://static.blog.csdn.net/skin/skin-yellow/css/style.css?v=2.2" />
<link id="RSSLink" title="RSS" type="application/rss+xml" rel="alternate" href="/qq_36148847/rss/list" />
<link rel="shortcut icon" href="http://c.csdnimg.cn/public/favicon.ico" />
</head>
<body>
<div id="header">
<div class="header">
<div id="blog_title">
<h2>
<a href="http://blog.csdn.net/qq_36148847">任世间混沌，独化蓝翅鸟</a></h2>
<h3>我渴望听见世界的声音，如果可以，你能为我驻足吗？</h3>

</div>

</div>
</div>

<ul id="blog_rank">
<li>访问：<span>114次</span></li>
<li>积分：<span>71</span> </li>
<li >等级： <span style="position:relative;display:inline-block;z-index:1" >
<img src="http://c.csdnimg.cn/jifen/images/xunzhang/jianzhang/blog1.png" alt="" style="vertical-align: middle;" id="leveImg">
<div id="smallTittle" style=" position: absolute;  left: -24px;  top: 25px;  text-align: center;  width: 101px;  height: 32px;  background-color: #fff;  line-height: 32px;  border: 2px #DDDDDD solid;  box-shadow: 0px 2px 2px rgba (0,0,0,0.1);  display: none;   z-index: 999;">
<div style="left: 42%;  top: -8px;  position: absolute;  width: 0;  height: 0;  border-left: 10px solid transparent;  border-right: 10px solid transparent;  border-bottom: 8px solid #EAEAEA;"></div>
积分：71 </div>
</span>  </li>
<li>排名：<span>千里之外</span></li>
</ul>
<ul id="blog_statistics">
<li>原创：<span>6篇</span></li>
<li>转载：<span>1篇</span></li>
<li>译文：<span>0篇</span></li>
<li>评论：<span>0条</span></li>
</ul>

<div id="panel_Category" class="panel">
<ul class="panel_head"><span>文章分类</span></ul>
<ul class="panel_body">
<li>
<a href="/qq_36148847/article/category/7415046" onclick="_gaq.push(['_trackEvent','function', 'onclick', 'blog_articles_wenzhangfenlei']); ">Algorithm</a><span>(1)</span>
</li>
<li>
<a href="/qq_36148847/article/category/7415349" onclick="_gaq.push(['_trackEvent','function', 'onclick', 'blog_articles_wenzhangfenlei']); ">operation</a><span>(1)</span>
</li>
<li>
<a href="/qq_36148847/article/category/7415629" onclick="_gaq.push(['_trackEvent','function', 'onclick', 'blog_articles_wenzhangfenlei']); ">language</a><span>(1)</span>
</li>
<li>
<a href="/qq_36148847/article/category/7416384" onclick="_gaq.push(['_trackEvent','function', 'onclick', 'blog_articles_wenzhangfenlei']); ">Linux</a><span>(1)</span>
</li>
<li>
<a href="/qq_36148847/article/category/7416385" onclick="_gaq.push(['_trackEvent','function', 'onclick', 'blog_articles_wenzhangfenlei']); ">命令行</a><span>(1)</span>
</li>
<li>
<a href="/qq_36148847/article/category/7416386" onclick="_gaq.push(['_trackEvent','function', 'onclick', 'blog_articles_wenzhangfenlei']); ">渗透测试</a><span>(1)</span>
</li>

</ul>
</div>
</body>
</html>

（1）属性

@

定位

下面是一个实例：

selector = etree.HTML(html)
# 使用@属性定位
links = selector.xpath('//a/@href')
for link in links:
print(link)

输出:

/qq_36148847/article/category/7415046
/qq_36148847/article/category/7415349
/qq_36148847/article/category/7415629
/qq_36148847/article/category/7416384
/qq_36148847/article/category/7416385
/qq_36148847/article/category/7416386

(2)

id

定位

下面是一个实例：

selector = etree.HTML(html)
# id定位提取文本
blog = selector.xpath('//ul[@id="blog_statistics"]/li/text()')
num = selector.xpath('//ul[@id="blog_statistics"]/li/span/text()')
for each in blog,num:
print(each)

输出：

['原创：', '转载：', '译文：', '评论：']
['6篇', '1篇', '0篇', '0条']

(3) 相对路径与绝对路径

下面是一个实例：

selector = etree.HTML(html)
#使用相对路径定位a标签的title
title1 = selector.xpath('//*[@id="blog_title"]/h2/a/text()')
#使用绝对路径定位a标签的title
title2 = selector.xpath('/html/body/div[@id="header"]/div[@class="header"]/div[@id="blog_title"]/h2/a/text()')
print(title1)
print(title2)

输出：

['任世间混沌，独化蓝翅鸟']
['任世间混沌，独化蓝翅鸟']

(4) XPath 与表格

下面为表格的实例网页源码：

<meta http-equiv="Content-Type" content="text/html;charset=UTF-8">

<table bgcolor="#C5D7ED" cellpadding="6" cellspacing="1" width="100%">
<thead><tr align="center" bgcolor="#F1F7FC">
<th>产品</th>
<th>最低价</th>
<th>平均价</th>
<th>最高价</th>
<th>规格</th>
<th class="mds">日期</th>
</tr></thead>
<tbody>

<tr align="center" bgcolor="#FFFFFF"><td>黄心菜</td><td>0.50元/斤</td><td><b class="f_red">0.75元/斤</b></td><td>1.00元/斤</td><td>普通</td><td class="mds">2018-01-26</td></tr>
<tr align="center" bgcolor="#FFFFFF"><td>大头菜</td><td>0.40元/斤</td><td><b class="f_red">0.50元/斤</b></td><td>0.60元/斤</td><td>普通</td><td class="mds">2018-01-26<td></tr>
<tr align="center" bgcolor="#FFFFFF"><td><a href="http://www.114guoshu.com/pifa/qincai/" target="_blank"><strong class="keylink">芹菜</strong></a></td><td>0.70元/斤</td><td><b class="f_red">0.80元/斤</b></td><td>0.90元/斤</td><td>普通</td><td class="mds">2018-01-26</td><td></tr>

</tbody>
</table>

下面为一个实例：

from lxml import etree
html = etree.HTML(html)
table = html.xpath("//tr")
table1 = html.xpath('*/table/tbody/tr/td/text()')
print(table1)
print("---- 我是分割线 ---- ")
for row in table:
table2= [i for i in row.itertext()]
print(table2)

输出：

['黄心菜', '0.50元/斤', '1.00元/斤', '普通', '2018-01-26', '大头菜', '0.40元/斤', '0.60元/斤', '普通', '2018-01-26', '0.70元/斤', '0.90元/斤', '普通', '2018-01-26']
---- 我是分割线 ----
['黄心菜', '0.50元/斤', '0.75元/斤', '1.00元/斤', '普通', '2018-01-26']
['大头菜', '0.40元/斤', '0.50元/斤', '0.60元/斤', '普通', '2018-01-26']
['芹菜', '0.70元/斤', '0.80元/斤', '0.90元/斤', '普通', '2018-01-26']

介绍XPath的特殊用法：

（1)

starts-with

解决标签属性值以相同字符串开头的情况

下面为一个实例：

from lxml import etree
html='''
<body>
<div id="aa">I'm aa</div>
<div id="ab">I'm ab</div>
<div id="ac">I'm ac</div>
</body>
'''
selector=etree.HTML(html)
content=selector.xpath('//div[starts-with(@id,"a")]/text()') # starts-with 方法提取 id 标签属性值开头为 a 的 div 标签
for each in content:
print(each)

输出：

I'm aa
I'm ab
I'm ac

(2)

string(.)

的使用

下面是一个实例:

#浅谈 string() 的使用
#2） string(.) 标签套标签
selector = etree.HTML(html)
title = selector.xpath('//*[@id="blog_title"]/h3/text()')#这是一个列表 list
#//*[@id="blog_title"]/h3
print(title)
print(" ------ 我是分割线 ------ ")
data=selector.xpath('//div[@id="header"]')[0]#这是一个列表 list
print(data)# 输出标签
info=data.xpath('string(.)')#输出此枝干下的所有文本内容
print(info)

输出：

['我渴望听见世界的声音，如果可以，你能为我驻足吗？']
------ 我是分割线 ------
<Element div at 0x2888d564d88>

任世间混沌，独化蓝翅鸟
我渴望听见世界的声音，如果可以，你能为我驻足吗？