python Xpath語(yǔ)法的使用

更新時(shí)間：2020年11月26日 15:43:32 作者：Allbuypy

這篇文章主要介紹了python Xpath語(yǔ)法的使用，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

一、XMl簡(jiǎn)介

（一）什么是 XML

XML 指可擴(kuò)展標(biāo)記語(yǔ)言(EXtensible)
XML 是一種標(biāo)記語(yǔ)言，很類似 HTML。
XML 的設(shè)計(jì)宗旨是傳輸數(shù)據(jù)，而非顯示數(shù)據(jù)。
XML 的標(biāo)簽需要我們自行定義。
XML 被設(shè)計(jì)為具有自我描述性。
XML 是 W3C 的推薦標(biāo)準(zhǔn)。
W3School 官方文檔：http://www.w3school.com.cn/xml/index.asp

（二）XML 和 HTML 的區(qū)別

他們兩者都是用于操作數(shù)據(jù)或者結(jié)構(gòu)數(shù)據(jù)，在結(jié)構(gòu)上大致相同的，但他們?cè)诒举|(zhì)上卻存在著明顯的區(qū)別。

數(shù)據(jù)格式	描述	設(shè)計(jì)目標(biāo)
XML	Extensible Markup Language （可擴(kuò)展標(biāo)記語(yǔ)言）	被設(shè)計(jì)為傳輸和存儲(chǔ)數(shù)據(jù)，其焦點(diǎn)是數(shù)據(jù)的內(nèi)容。
HTML	HyperText Markup Language（超文本標(biāo)記語(yǔ)言）	顯示數(shù)據(jù)以及如何更好顯示數(shù)據(jù)。
HTML DOM	Document Object Model for HTML（超文本標(biāo)文檔對(duì)象模型）	通過(guò) HTML DOM，可以訪問(wèn)所有的 HTML 元素，連同它們所包含的文本和屬性。可以對(duì)其中的內(nèi)容進(jìn)行修改和刪除，同時(shí)也可以創(chuàng)建新的元素。

（三）XML 的節(jié)點(diǎn)關(guān)系

<?XML version='1.0' encoding=""utf-8>
<book category="cooking">
 <title lang="en">Harry Potter</title>
 <author>J K.Rowling</author>
 <year>2005</year>
 <price>29.00</price>
</book>

1.父(Parent)
每個(gè)元素以及屬性都有一個(gè)父。上面是一個(gè)簡(jiǎn)單的 XML 例子中，book 元素是 title、author、year 以及 price 元素的父

2.子(Children)
元素節(jié)點(diǎn)可有零個(gè)、一個(gè)或多個(gè)子元素。在上面的例子中，title、author、year 以及 price 元素都是 book 元素的子元素

3. 同胞(Sibling)
擁有相同的父的節(jié)點(diǎn)。在上面的例子中，title、author、year 以及 price 元素都是同胞

4. 先輩(Ancestor)
某節(jié)點(diǎn)的父、父的父，等等。在上面的例子中，title 元素的先輩是 book 元素和 bookstore元素

5. 后代(Descendant)
某個(gè)節(jié)點(diǎn)的子，子的子等等。在上面的例子中，bookstore 的后代是 book、title、author、year 以及 price 元素：

二、XPATH

XPath (XML Path Language) 是一門在 XML 文檔中查找信息的語(yǔ)言，可用來(lái)在 XML 文檔中對(duì)元素和屬性進(jìn)行遍歷。

（一）選取節(jié)點(diǎn)

XPath 使用路徑表達(dá)式來(lái)選取 XML 文檔中的節(jié)點(diǎn)或者節(jié)點(diǎn)集。這些路徑表達(dá)式和我們?cè)诔Ｒ?guī)的電腦文件系統(tǒng)中看到的表達(dá)式非常相似。下面列出了最常用的路徑表達(dá)式：

表達(dá)式	描述
nodename	選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)。
/	從節(jié)點(diǎn)選取。
//	從匹配選擇的當(dāng)前節(jié)點(diǎn)選擇文檔中的節(jié)點(diǎn)，而不考慮他們的位置。
.	選取當(dāng)前節(jié)點(diǎn)。
..	選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)。
@	選取屬性。

在下面的表格中，我們已列出了一些路徑表達(dá)式以及表達(dá)式的結(jié)果：

路徑表達(dá)式	描述
bookstore	選取 bookstore 元素的所有子節(jié)點(diǎn)
/bookstore	選取根元素 bookstore。代表元素的絕對(duì)路徑。
bookstore/book	選取屬于 bookstore 的子元素的所有 book 元素。
//book	選取所有 book 子元素，而不管它們?cè)谖臋n中的位置
bookstore//book	選擇屬于 booksore 元素的后代所有的 book 元素，而不管他們位于 bookstore 之下的什么位置。
//@lang	選取名為 lang 的所有屬性。
text()	取標(biāo)簽當(dāng)中的值

（二）謂語(yǔ)(Predicates)

謂語(yǔ)用來(lái)查找某個(gè)特定的節(jié)點(diǎn)或者包含某個(gè)指定的值的節(jié)點(diǎn)，被嵌在方括號(hào)中。在下面的表格中，我們列出了帶有謂語(yǔ)的一些路徑表達(dá)式，以及表達(dá)式的結(jié)果：

路徑表達(dá)式	描述
/bookstore/book[l]	選取屬于 bookstore 子元素的第一個(gè) book 元素。
/bookstore/book[last()]	選取屬于 bookstore 子元素的最后一個(gè) book 元素。
/bookstore/book[last()-1]	選取屬于 bookstore 子元素的倒數(shù)第二個(gè) book 元素。
/bookstore/book[position()<2]	選最前面的一個(gè)屬于 bookstore 元素的子元素的 book 元素。
//title[@lang]	選取所有屬性名為 lang 的屬性的 title 元素。
//titlel@lang=‘eng']	選取所有 tltle 元素，且這些元素有屬性值為 eng 的 lang 屬性。

（三）選取未知節(jié)點(diǎn)

XPath 通配符可用來(lái)選取未知的 XML 元素。

通配符	描述
*	匹配任何元素節(jié)點(diǎn)。
@*	匹配任何屬性節(jié)點(diǎn)。

在下面的表格中，我們列出了一些路徑表達(dá)式，以及這些表達(dá)式的結(jié)果：

路徑表達(dá)式	描述
/bookstore/*	選取 bookstore 元素的所有子元素
//*	選取文檔中的所有元素。
//title[@*]	選取所有帶有屬性的 title 元素。

（四）選取若干路徑

通過(guò)在路徑表達(dá)式中使用“|”運(yùn)算符，您可以選取若干個(gè)路徑。在下面的表格中，我們列出了一些路徑表達(dá)式，以及這些表達(dá)式的結(jié)果：

路徑表達(dá)式	描述
//book/title	//book/price
//title	//price
//price	選取文檔中所有的 price 元素。

三、lxml 模塊

（一）lxml 簡(jiǎn)介與安裝
lxml 是一個(gè) HTML/XML 的解析器，主要的功能是如何解析和提取 HTML/XML 數(shù)據(jù)。我們可以利用之前學(xué)習(xí)的 XPath 語(yǔ)法，來(lái)快速的定位特定元素以及節(jié)點(diǎn)信息。
安裝方法:pip install lxml

（二）lxml 初步使用

1、解析HTML字符串

from lxml import etree
text = """
<div>
  <ul>
    <li class="item-0"><a href="link1.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >first item</a></li>
    <li class="item-1"><a href="link2.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >second item</a></li>
    <li class="item-inactive"><a href="link3.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >third item</a></li>
    <li class="item-1"><a href="link4.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fourth item</a></li>
    <li class="item-0"><a href="link5.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fifth item</a>
  </ul>
</div>
"""
html = etree.HTML(text)
result = etree.tostring(html,pretty_print=True).decode('utf-8')
print(result)
from lxml import etree
text = """
<div>
  <ul>
    <li class="item-0"><a href="link1.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >first item</a></li>
    <li class="item-1"><a href="link2.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >second item</a></li>
    <li class="item-inactive"><a href="link3.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" ><span class="bold">third item</span>></a></li>
    <li class="item-1"><a href="link4.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fourth item</a></li>
    <li class="item-0"><a href="link5.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fifth item</a></li>
  </ul>
</div>
"""
# 初始化一個(gè)Xpath解析對(duì)象
html = etree.HTML(text)
# 解析對(duì)象輸出代碼 是一個(gè)bytes類型
result = etree.tostring(html,encoding='utf-8')
print(type(html)) # <class 'lxml.etree._Element'>
print(type(result)) # <class 'bytes'>
print(result.decode('utf-8'))

小結(jié)：lxml 可以自動(dòng)修正 html 代碼，例子里不僅補(bǔ)全了 li 標(biāo)簽，還添加了 body，html 標(biāo)簽。

2.、lxml 文件讀取

from lxml import etree
text = """
<div>
  <ul>
    <li class="item-0"><a href="link1.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >first item</a></li>
    <li class="item-1"><a href="link2.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >second item</a></li>
    <li class="item-inactive"><a href="link3.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" ><span class="bold">third item</span>></a></li>
    <li class="item-1"><a href="link4.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fourth item</a></li>
    <li class="item-0"><a href="link5.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" >fifth item</a></li>
  </ul>
</div>
"""
# 初始化一個(gè)Xpath解析對(duì)象
html = etree.HTML(text)
# 解析對(duì)象輸出代碼 是一個(gè)bytes類型
result = etree.tostring(html,encoding='utf-8')
print(type(html)) # <class 'lxml.etree._Element'>
print(type(result)) # <class 'bytes'>
print(result.decode('utf-8'))

除了直接讀取字符串，lxml 還支持從文件里讀取內(nèi)容。我們新建一個(gè) hello.html 文件，再利用 etree.parse()方法來(lái)讀取文件。
注意：從文件中讀取數(shù)據(jù)，要求文件內(nèi)容符合 xml 格式，如果標(biāo)簽缺失，則不能正常讀取。

四、XPath 節(jié)點(diǎn)信息解析：

# 安裝lxml: pip install lxml

# 1. 導(dǎo)入etree: 兩種導(dǎo)入方式
# 第一種: 直接導(dǎo)入
from lxml import etree
# 注意: 此種導(dǎo)入方式,可能會(huì)導(dǎo)致報(bào)錯(cuò)(etree下面會(huì)出現(xiàn)紅色波浪線,不影響正常使用)

# 第二種: 
# from lxml import html
# etree = html.etree

str = '<bookstore>' \
      '<book>' \
        '<title lang="bng" src="https://www.baidu.com">Harry Potter</title>' \
        '<price>29.99</price>' \
      '</book>' \
      '<book>' \
        '<title class="t1" lang="ang">Learning XML</title>' \
        '<price>39.95</price>' \
      '</book>' \
      '<book>' \
        '<title lang="cng">西游記</title>' \
        '<price>69.95</price>' \
      '</book>' \
      '<book>' \
        '<title lang="dng" src="https://www.jd.com">水滸傳</title>' \
        '<price>29.95</price>' \
      '</book>' \
      '<book>' \
        '<title class="t1" lang="dng" src="https://www.jd.com">三國(guó)演義</title>' \
        '<price>29.95</price>' \
      '</book>' \
    '</bookstore>'


# 2. etree.HTML() 將字符串轉(zhuǎn)換成HTML元素對(duì)象,可以自動(dòng)添加缺失的元素
html = etree.HTML(str) # <Element html at 0x1e17b839708> 是一個(gè)el對(duì)象
# print(html)


# 3. 方法:
# 3.1 tostring() 查看轉(zhuǎn)換之后的內(nèi)容(二進(jìn)制類型)
# 如果想要查看字符串,需要解碼
# 如果想要顯示漢字,需要先編碼,再解碼
# content = etree.tostring(html,encoding='utf-8')
# print(content.decode())


# 3.2 xpath()方法 作用:提取頁(yè)面數(shù)據(jù),返回值是一個(gè)列表
# xpath的使用一定是建立在etree.HTML()之后的內(nèi)容中的

# xpath是如何來(lái)提取頁(yè)面數(shù)據(jù)的?
# 答:使用的是路徑表達(dá)式

# 3.2.1 xpath路徑分為兩種:
# 第一種: / 代表一層層的查找,如果/存在于開(kāi)頭,代表根路徑
# bookstore = html.xpath('/html/body/bookstore')
# print(bookstore) # [<Element bookstore at 0x2dd535efb88>]

# 第二種: // 任意路徑 焦點(diǎn)在元素身上
# 例如：查找bookstore標(biāo)簽
# bookstore = html.xpath('//bookstore')
# print(bookstore) # [<Element bookstore at 0x1639054fdc8>]

# 第一種和第二種結(jié)合
# 例如：查找所有book標(biāo)簽
# book = html.xpath('//bookstore/book')
# print(book) # [<Element book at 0x2737fd7fa48>, <Element book at 0x2737fd7fc88>, <Element book at 0x2737fd7fcc8>, <Element book at 0x2737fd7fd08>, <Element book at 0x2737fd7fd88>]

# 3.2.2 /text() 獲取標(biāo)簽之間的內(nèi)容
# 例如：獲取所有title標(biāo)簽的內(nèi)容
# 步驟：
# 1. 找到所有title標(biāo)簽
# 2. 獲取內(nèi)容
# title = html.xpath('//book/title/text()')
# print(title) # ['Harry Potter', 'Learning XML', '西游記', '水滸傳', '三國(guó)演義']

# 3.3 位于 使用[] 可以理解成條件
# 3.3.1 [n] 代表獲取第n個(gè)元素,n是數(shù)字,n<=1
# 例如: 獲取第二個(gè)title標(biāo)簽
# title = html.xpath('//book[2]/title/text()')
# title1 = html.xpath('//title[2]/text()')
# print(title) # ['Learning XML']
# print(title1) # []

# last() 獲取最后一個(gè)
# 同理: last()-1 獲取倒數(shù)第二個(gè)
# 例如: 獲取最后一本書(shū)的title標(biāo)簽之間的內(nèi)容
# title = html.xpath('//book[last()]/title/text()')
# title1 = html.xpath('//book[last()-1]/title/text()')
# print(title) # ['三國(guó)演義']
# print(title1) # ['水滸傳']

# 3.3.2 position() 位置,范圍 支持 > / < / = / >= / <= / !=
# 例如: 獲取最后兩本書(shū)的title標(biāo)簽之間的內(nèi)容
# 步驟:
# 1. 先獲取后兩本書(shū)
# 2. 獲取內(nèi)容
# title = html.xpath('//book[position()>3]/title/text()')
# print(title) # ['水滸傳', '三國(guó)演義']
# ? title = html.xpath('//book[position()>last()-2]/title/text()')
# print(title) # ['水滸傳', '三國(guó)演義']

# 3.3.3 獲取屬性值:@屬性名

# 例如: 獲取lang屬性值為cng的title標(biāo)簽的內(nèi)容
# title = html.xpath('//book/title[@lang="cng"]/text()')
# print(title) # ['西游記']

# 例如: 獲取包含src屬性得title標(biāo)簽的內(nèi)容
# title = html.xpath('//book/title[@src]/text()')
# print(title) # ['Harry Potter', '水滸傳', '三國(guó)演義']

# 例如: 獲取包含屬性的title標(biāo)簽的內(nèi)容
# title = html.xpath('//book/title[@*]/text()')
# print(title) # ['Harry Potter', 'Learning XML', '西游記', '水滸傳', '三國(guó)演義']

# 例如: 獲取最后一個(gè)title標(biāo)簽的src屬性的值
# title = html.xpath('//book[last()]/title/@src')
# print(title) # ['https://www.jd.com']

# 例如: 獲取所有包含src屬性的標(biāo)簽之間的內(nèi)容
# node = html.xpath('//*[@src]/text()')
# print(node) # ['Harry Potter', '水滸傳', '三國(guó)演義']


# 3.4 and 與 連接的是謂語(yǔ)(條件)
# 例如: 獲取lang="dng"并且class="t1"的title標(biāo)簽的內(nèi)容
# title = html.xpath('//book/title[@lang="dng" and @class="t1"]/text()')
# title1 = html.xpath('//book/title[@lang="dng"][@class="t1"]/text()')
# print(title) # ['三國(guó)演義']
# print(title1) # ['三國(guó)演義']


# 3.5 or 或 連接謂語(yǔ)
# 例如: 查找lang="cng"或者lang="bng"的title標(biāo)簽的內(nèi)容
# title = html.xpath('//book/title[@lang="cng" or @lang="bng"]/text()')
# print(title) # ['Harry Potter', '西游記']


# 3.6 | 連接路徑
# 例如: 獲取所有title標(biāo)簽和price標(biāo)簽之間的內(nèi)容
# title = html.xpath('//title/text() | //price/text()')
# print(title) # ['Harry Potter', '29.99', 'Learning XML', '39.95', '西游記', '69.95', '水滸傳', '29.95', '三國(guó)演義', '29.95']


# 3.8 parse() 作用:從文件中讀取數(shù)據(jù)
# 注意: 讀取的文件,必須滿足xml格式**(不存在單標(biāo)簽,全部都是上標(biāo)簽)**
content = etree.parse('test.html')
# print(content) # <lxml.etree._ElementTree object at 0x000001DC5CF5ED08>
res = etree.tostring(content,encoding='utf-8')
print(res.decode()) 
<!DOCTYPE html>
<html lang="en">
<head>
  <title>test</title>
</head>
<body>
  <h1>
    這是一個(gè)html
  </h1>
</body>
</html>

到此這篇關(guān)于python Xpath語(yǔ)法的使用的文章就介紹到這了,更多相關(guān)python Xpath語(yǔ)法內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: