一、xpath 简介

究竟什么是 xpath 呢？简单来说，xpath 就是一种在 XML 文档中查找信息的语言

而 XML 文档就是由一系列节点构成的树，例如，下面是一份简单的 XML 文档：

<html>
	<body>
		<div>
			<p>Hello world<p>
			<a href="/home">Click here</a>
		</div>
	</body>
</html>

XML 文档中常见的节点包括：

  • 根节点：html
  • 元素节点：html、body、div、p、a
  • 属性节点：href
  • 文本节点：Hello world、Click here

XML 文档中常见的节点间关系包括：

  • 父子：例如，<p> 和 <a> 是 <div> 的子节点，反之，也称 <div> 是 <p> 和 <a> 的父节点
  • 兄弟：例如，<p> 和 <a> 称为兄弟节点
  • 祖先/后代：例如，<body>、<div>、<p>、<a> 都是 <html> 的后代节点，反之，也称 <html> 是 <body>、<div>、<p>、<a> 的祖先节点

对于网页解析来说，xpath 比 re 更加方便简洁，故 Python 中也提供相应的模块 —— lxml.etree

我们可以使用 pip install lxml 命令进行安装

二、xpath 使用

在正式开始讲解 xpath 的使用方法之前，我们先来构造一个简单的 XML 文档用于测试

在一般的爬虫程序中，XML 文档就是爬取回来的网页源代码

>>> sc = '''
<html>
	<head>
    	<meta charset="UTF-8"/>
		<link rel="stylesheet" href="style/base.css"/>
		<title>Example website</title>
	</head>
	<body>
		<div >
			<a href="image1.html">Image1<img src="image1.jpg"/></a>
			<a href="image2.html">Image2<img src="image2.jpg"/></a>
			<a href="image3.html">Image3<img src="image3.jpg"/></a>
		</div>
	</body>
</html>
'''

1、导入模块

>>> from lxml import etree

2、构造对象

>>> html = etree.HTML(sc) # 构造 lxml.etree._Element 对象
>>> # lxml.etree._Element 对象还具有代码补全功能
>>> # 假如我们得到的 XML 文档不是规范的文档，该对象将会自动补全缺失的闭合标签
>>> # 我们可以使用 tostring() 方法将对象转化成 bytes 类型的字符串
>>> # 再使用 decode('utf-8') 方法将 bytes 类型的字符串转化为 str 类型的字符串
>>> print(etree.tostring(html).decode('utf-8'))

3、匹配数据

我们可以使用 xpath() 方法进行匹配

（1）xpath 匹配语法

xpath 方法接受一个满足 xpath 匹配语法的字符串作为参数

下面主要介绍一下 xpath 匹配语法：

  • / 表示子代节点，例如 /E 表示匹配根节点下的子节点中的 E 元素节点

    >>> test = html.xpath('/html/head/title')

  • // 表示后代节点，例如 //E 表示匹配根节点下的后代节点中的 E 元素节点

    >>> test = html.xpath('//a')

  • * 表示所有节点，例如 E/* 表示匹配 E 元素节点下的子节点中的所有节点

    >>> test = html.xpath('/html/*')

  • text() 表示文本节点，例如 E/text() 表示匹配 E 元素节点下的子节点中的文本节点

    >>> test = html.xpath('/html/head/title/text()')

  • @ATTR 表示属性节点，例如 E/@ATTR 表示匹配 E 元素节点下的子节点中的 ATTR 属性节点

    >>> test = html.xpath('//a/@href')

  • 谓语 用于匹配指定的标签

    • 指定第二个 <a> 标签

      >>> test = html.xpath('//a[2]')

    • 指定前两个 <a> 标签

      >>> test = html.xpath('//a[position()<=2]')

    • 指定带有 href 属性的 <a> 标签

      >>> test = html.xpath('//a[@href]')

    • 指定带有 href 属性且值为 image1.html 的 <a> 标签

      >>> test = html.xpath('//a[@href="image1.html"]')

    • 指定带有 href 属性且值包含 image 的 <a> 标签

      >>> test = html.xpath('//a[contains(@href,"image")]')

（2）_Element 对象

xpath 方法返回字符串或者匹配列表，匹配列表中的每一项都是 lxml.etree._Element 对象

下面主要介绍一下 _Element 对象的常用属性与方法：

我们先用 xpath 方法得到匹配列表 tests 作为测试样例，tests 中的每一项都是一个 _Element 对象

>>> test = html.xpath('//a[@href="image1.html"]')
>>> obj = test[0]
  • tag 返回标签名
>>> obj.tag
'a'
  • attrib 返回属性与值组成的字典
>>> obj.attrib
{'href': 'image1.html'}
  • get() 返回指定属性的值
>>> obj.get('href')
'image1.html'
  • text 返回文本值
>>> obj.text
'Image1'

【参考资料】

【爬虫系列相关文章】