Python爬虫利器三之Xpath语法与lxml库的用法

前言 前面我们介绍了 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath。 参考来源 lxml用法源自 lxml python 官方文档，更多内容请直接参阅官方文档，本文对其进行翻译与整理。 lxml XPath语法参考 w3school w3school 安装

1 pip install lxml

利用 pip 安装即可

XPath语法

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

节点关系

（1）父（Parent）

每个元素以及属性都有一个父。

在下面的例子中，book 元素是 title、author、year 以及 price 元素的父：

1 2 3 4 5 6 < book >    < title > Harry Potter < / title >    < author > J K . Rowling < / author >    < year > 2005 < / year >    < price > 29.99 < / price > < / book >

（2）子（Children）

元素节点可有零个、一个或多个子。

在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子：

1 2 3 4 5 6 < book >    < title > Harry Potter < / title >    < author > J K . Rowling < / author >    < year > 2005 < / year >    < price > 29.99 < / price > < / book >

（3）同胞（Sibling）

拥有相同的父的节点

在下面的例子中，title、author、year 以及 price 元素都是同胞：

1 2 3 4 5 6 < book >    < title > Harry Potter < / title >    < author > J K . Rowling < / author >    < year > 2005 < / year >    < price > 29.99 < / price > < / book >

（4）先辈（Ancestor）

某节点的父、父的父，等等。

在下面的例子中，title 元素的先辈是 book 元素和 bookstore 元素：

1 2 3 4 5 6 7 8 9 10 < bookstore >   < book >    < title > Harry Potter < / title >    < author > J K . Rowling < / author >    < year > 2005 < / year >    < price > 29.99 < / price > < / book >   < / bookstore >

（5）后代（Descendant）

某个节点的子，子的子，等等。

在下面的例子中，bookstore 的后代是 book、title、author、year 以及 price 元素：

1 2 3 4 5 6 7 8 9 10 < bookstore >   < book >    < title > Harry Potter < / title >    < author > J K . Rowling < / author >    < year > 2005 < / year >    < price > 29.99 < / price > < / book >   < / bookstore >

选取节点

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

下面列出了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。

实例

在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

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。

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。

实例

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

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。

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*匹配任何元素节点。@*匹配任何属性节点。node()匹配任何类型的节点。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

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。

选取若干路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

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。

XPath 运算符

下面列出了可用在 XPath 表达式中的运算符：

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 + 410–减法6 – 42*乘法6 * 424div除法8 div 42=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 21

lxml用法

初步使用

首先我们利用它来解析 HTML 代码，先来一个小例子来感受一下它的基本用法。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 from lxml import etree 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 ) result = etree . tostring ( html ) print ( result )

首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。

其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。

所以输出结果是这样的

1 2 3 4 5 6 7 8 9 10 11 12 <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>

不仅补全了 li 标签，还添加了 body，html 标签。

文件读取

除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为

1 2 3 4 5 6 7 8 9 <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" > <span class = "bold" > third item </span> </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>

利用 parse 方法来读取文件。

1 2 3 4 from lxml import etree html = etree . parse ( 'hello.html' ) result = etree . tostring ( html , pretty_print = True ) print ( result )

同样可以得到相同的结果。

XPath实例测试

依然以上一段程序为例

（1）获取所有的 <li> 标签

1 2 3 4 5 6 7 8 from lxml import etree html = etree . parse ( 'hello.html' ) print type ( html ) result = html . xpath ( '//li' ) print result print len ( result ) print type ( result ) print type ( result [ 0 ] )

运行结果

1 2 3 4 5 < type 'lxml.etree._ElementTree' > [ < Element li at 0x1014e0e18 > , < Element li at 0x1014e0ef0 > , < Element li at 0x1014e0f38 > , < Element li at 0x1014e0f80 > , < Element li at 0x1014e0fc8 > ] 5 < type 'list' > < type 'lxml.etree._Element' >

可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个 <li> 元素，每个元素都是 Element 类型

（2）获取 <li> 标签的所有 class

1 2 result = html . xpath ( '//li/@class' ) print result

运行结果

1 [ 'item-0' , 'item-1' , 'item-inactive' , 'item-1' , 'item-0' ]

（3）获取 <li> 标签下 href 为 link1.html 的 <a> 标签

1 2 result = html . xpath ( '//li/a[@href="link1.html"]' ) print result

运行结果

1 [ < Element a at 0x10ffaae18 > ]

（4）获取 <li> 标签下的所有 <span> 标签

注意这么写是不对的

1 result = html . xpath ( '//li/span' )

因为 / 是用来获取子元素的，而 <span> 并不是 <li> 的子元素，所以，要用双斜杠

1 2 result = html . xpath ( '//li//span' ) print result

运行结果

1 [ < Element span at 0x10d698e18 > ]

（5）获取 <li> 标签下的所有 class，不包括 <li>

1 2 result = html . xpath ( '//li/a//@class' ) print result

运行结果

1 [ 'blod' ]

（6）获取最后一个 <li> 的 <a> 的 href

1 2 result = html . xpath ( '//li[last()]/a/@href' ) print result

运行结果

1 [ 'link5.html' ]

（7）获取倒数第二个元素的内容

1 2 result = html . xpath ( '//li[last()-1]/a' ) print result [ 0 ] . text

运行结果

1 fourth item

（8）获取 class 为 bold 的标签名

1 2 result = html . xpath ( '//*[@class="bold"]' ) print result [ 0 ] . tag

运行结果

1 span

通过以上实例的练习，相信大家对 XPath 的基本用法有了基本的了解。也可以利用 text 方法来获取元素的内容。

大家多加练习！

结语

XPath 是一个非常好用的解析方法，同时也作为爬虫学习的基础，在后面的 selenium 以及 scrapy 框架中都会涉及到这部分知识，希望大家可以把它的语法掌握清楚，为后面的深入研究做好铺垫。