Python爬虫之xpath语法及案例使用
作者：互联网
我们在写Python爬虫时，经常需要对网页提取信息，如果用传统正则表达去写会增加很多工作量，此时需要一种对数据解析的方法，也就是本章要介绍的Xpath表达式。
Xpath是什么
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。最初是用来搜寻 XML 文档的，但同样适用于 HTML 文档的搜索。所以在做爬虫时完全可以使用 XPath 做相应的信息抽取。
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，它还提供超过 100 个内置函数，用于字符串、数值、时间的匹配以及节点、序列的处理等，几乎所有想要定位的节点都可以用 XPath 来选取。
Xpath语法介绍
路径常用规则
| 表达式 | 描述 | 实例 | |
|---|---|---|---|
| nodename | 选取此节点的所有子节点 | xpath('//div') | 选取了div节点的所有子节点 |
| / | 从根节点选取 | xpath('/div') | 从根节点上选取div节点 |
| // | 选取所有当前节点，不考虑位置 | xpath('//div') | 选取所有的div节点 |
| . | 选取当前节点 | xpath('./div') | 选取当前节点下的div节点 |
| .. | 选取当前节点的父节点 | xpath('..') | 回到上一个节点 |
| @ | 选取属性 | xpath（'//@calss'） | 选取所有的class属性 |
谓语规则
谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点
| 表达式 | 结果 |
|---|---|
| xpath('/body/div[1]') | 选取body下的第一个div节点 |
| xpath('/body/div[last()]') | 选取body下最后一个div节点 |
| xpath('/body/div[last()-1]') | 选取body下倒数第二个div节点 |
| xpath('/body/div[positon()]') | 选取body下前两个div节点 |
| xpath('/body/div[@class]') | 选取body下带有class属性的div节点 |
| xpath('/body/div[@class="main"]') | 选取body下class属性为main的div节点 |
| xpath('/body/div[price>35.00]') | 选取body下price元素值大于35的div节点 |
通配符
通配符来选取未知的XML元素
| 表达式 | 结果 |
|---|---|
| xpath（'/div/*'） | 选取div下的所有子节点 |
| xpath('/div[@*]') | 选取所有带属性的div节点 |
取多个路径
使用“|”运算符可以选取多个路径
| 表达式 | 结果 |
|---|---|
| xpath('//div|//table') | 选取所有的div和table节点 |
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 |
语法熟悉
下面举一段HTML文本进行语法热身，代码如下
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# time: 2022/8/8 0:05
# author: gangtie
# email: 648403020@qq.com
from lxml import etree
text = '''
<div>
<ul id='ultest'>
<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"><span>fourth item</span></a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
'''
# 调用HTML类进行初始化，这样就成功构造了一个XPath解析对象。
# 利用etree.HTML解析字符串
page = etree.HTML(text)
print(type(page))
可以看到打印结果已经变成XML元素：
<class 'lxml.etree._Element'>
字符串转换HTML
字符串利用etree.HTML解析成html格式：
print(etree.tostring(page,encoding='utf-8').decode('utf-8'))
```
<html><body><div>
<ul id="ultest">
<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"><span>fourth item</span></a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</li></ul>
</div>
</body></html>
Process finished with exit code 0
```
经过处理可以看到缺失的</li>也自动补全了，还自动添加html、body节点。
查找绝对路径
通过绝对路径获取a标签的所有内容
a = page.xpath("/html/body/div/ul/li/a")
for i in a:
print(i.text)
```
first item
second item
third item
None
fifth item
```
查找相对路径(常用)
查找所有li标签下的a标签内容
html = etree.HTML(text)
a = html.xpath("//a/text()")
print(a)
```
['first item', 'second item', 'third item', 'fifth item']
```
PYTHON 复制 全屏
当前标签节点
. 表示选取当前标签的节点。
我们先定位 ul 元素节点得到一个列表，打印当前节点列表得到第一个 ul，
接着打印 ul 节点的子节点 li，text()输出。