Class 14 - 1 解析库 -- XPath

时间 2019-11-12

标签 class 解析 xpath 繁體版

原文原文链接

对于网页的节点来讲，它能够定义 id 、class 或其余属性。并且节点之间还有层次关系，在网页中能够经过XPath 或 css 选择器来定位一个或多个节点。因此在页面解析时，利用 XPath 或 css 选择器来提取某个节点，而后再调用相应方法获取它的正文内容或者属性，也能够提取咱们想要的任意信息。css

XPath的使用html

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。它最初是用来搜寻 XML 文档的，一样适用于 HTML 文档的搜索。

更多文档参考：https://www.w3.org/TR/xpath
XPath经常使用规则
- nodename：选取此节点的全部子节点
- / ：从当前节点选取直接子节点
- //：从当前节点选取子孙节点
- . ：选取当前节点
- ..：选取当前节点的父节点
- @：选取属性
  - XPath的经常使用匹配规则，示例：
```
//title[@lang='eng']
```
    此XPath表明选择全部名称为title，同时属性lang的值为eng的节点。node

XPath对网页解析代码：

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.decode('utf-8'))

首先导人 lxml 库的 etree 模块，而后声明了一段 HTML 文本，调用 HTML 类进行初始化，构造了一个 XPath 解析对象。注意： HTML 文本中的最后一个 li 节点是没有闭合的，可是 etree模块能够自动修正HTML 文本。
调用 tostring（）方法便可输出修正后的 HTML代码，可是结果是 bytes 类型。这里利用decode（）方法将其转成 str 类型。函数

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

通过处理以后， li 节点标签被补全，而且还向动添加了 body、 html 节点。 spa

另外，也能够直接读取文本文件进行解析，示例以下：code

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = etree.tostring(html)
print(result.decode('utf-8'))

其中 test.html 的内容就是上面例子中的 HTML代码，输出结果会多一个DOCTYPE声明，对解析无任何影响。xml

全部节点

咱们通常会用 // 开头的 XPath 规则来选取全部符合要求的节点。之前面的 HTML 文本为例，若是要选取全部节点：htm

from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//*')
print(result)
输出：
[<Element html at 0x245a651e508>, <Element body at 0x245a651e608>, <Element p at 0x245a651e648>, <Element div at 0x245a651e688>, <Element ul at 0x245a651e6c8>, <Element li at 0x245a651e748>, <Element a at 0x245a651e788>, <Element li at 0x245a651e7c8>, <Element a at 0x245a651e808>, <Element li at 0x245a651e708>, <Element a at 0x245a651e848>, <Element li at 0x245a651e888>, <Element a at 0x245a651e8c8>, <Element li at 0x245a651e908>, <Element a at 0x245a651e948>]

这里使用＊表明匹配全部节点，整个 HTML 文本中的全部节点都会被获取。返回形式是一个列表，每一个元素是 Element 类型，后面跟了节点名称，如 html、 body、 div 、 ul、 li 、a 等，全部节点都包含在列表中。对象

此处匹配也能够指定节点名称。若是想获取全部 li 节点，例：blog

from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])
输出：
[<Element li at 0x1e80856c608>, <Element li at 0x1e80856c648>, <Element li at 0x1e80856c688>, <Element li at 0x1e80856c6c8>, <Element li at 0x1e80856c708>]
<Element li at 0x1e80856c608>

提取结果是一个列表形式，其中每一个元素都是一个 Element 对象。若是要取出其中一个对象，能够直接用中括号加索引，如 [0].

子节点
- 经过／或／／便可查找元素的子节点或子孙节点。若是如今想选择 li 节点的全部直接 a 子节点，例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a')
print(result)
输出：
[<Element a at 0x2af0834e608>, <Element a at 0x2af0834e648>, <Element a at 0x2af0834e688>, <Element a at 0x2af0834e6c8>, <Element a at 0x2af0834e708>]
```
  经过追加／a 即选择了全部 li 节点的全部直接 a 子节点。由于／／li 用于选中全部 li 节点，／a 用于选中 li 节点的全部直接子节点 a，两者组合在一块儿即获取全部 li 节点的全部直接 a 子节点。
  
  此处的／用于选取直接子节点，若是要获取全部子孙节点，就可使用／／。例如，要获取 ul 节点下的全部子孙 a 节点，能够这样实现：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//ul//a')
print(result)
```
  若是这里用／／ul闭，就没法获取任何结果了。由于／用于获取直接子节点，而在 ul 节点下没有直接的 a 子节点，只有 li 节点，因此没法获取任何匹配结果。
  
  所以，这里咱们要注意／和／／的区别，其中／用于获取直接子节点，／／用于获取子孙节点。

父节点

连续的／或／／能够查找子节点或子孙节点，若是知道了子节点，查找父节点能够用．．来实现。　　

在首先选中 href 属性为 link4.html 的 a 节点，而后再获取其父节点，而后再获取其 class 属性，示例：

from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)
输出：
['item-1']

同时，咱们也能够经过 parent ：：来获取父节点，示例：

from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')  #为什么须要加* print(result)

属性匹配
- 在选取的时候，还能够用＠符号进行属性过滤。好比，这里若是要选取 class 为 item-1 的 li 节点，例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)
输出：
[<Element li at 0x2675c1f5608>, <Element li at 0x2675c1f5648>]
```
  经过加入［＠class="item－0”］，限制了节点的 class 属性为 item-0，而 HTML 文本中符合条件的 li 节点有两个，因此结果应该返回两个匹配到的元素。
文本获取
- 用 XPath 中的 text（）方法获取节点中的文本，接下来尝试获取前面 li 节点中的文本，示例以下：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/text()')
print(result)
输出：
['\r\n']
```
  没有获取到任何文本，只获取到了一个换行符。由于 XPath中text（）前面是／，而此处／的含义是选取直接子节点，很明显 li 的直接子节点都是 a 节点，文本都是在a节点内部的，因此这里匹配到的结果就是被修正的 li 点内部的换行符，由于自动修正的 li节点的尾标签换行了。
  
  即选中的是这两个节点：
  <li class="item-0"><a href=”link1.html”>first item</a></li> 　 <li class="item-0"><a href="link5.html”>fifth item</a> <li>
  其中一个节点由于自动修正，li 节点的尾标签添加的时候换行了，因此提取文本获得的惟一结果就是 li 节点的尾标签和 a 节点的尾标签之间的换行符。
- 若是想获取 li 节点内部的文本，就有两种方式，一种是先选取 a 节点再获取文本，另外一种就是使用／／
  1. 首先，选取至u a 节点再获取文本，示例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)
输出：
['first item', 'fifth item']
```
    这里的返回值是两个，内容都是属性为 item-0的 li 节点的文本。
    
    这里是逐层选取的，先选取了 li 节点，又利用／选取了其直接子节点 a 而后再选取其文本，获得的结果刚好是符合咱们预期的两个结果。
  2. 即便用（／／）选取的结果，示例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]//text()')
print(result)
输出：
['first item', 'fifth item', '\r\n']
```
    这里是选取全部子孙节点的文本，其中前两个就是 li 的子节点 a 节点内部的文本，另一个就是最后一个 li 节点内部的文本，即换行符。
    
    若是要想获取子孙节点内部的全部文本，能够直接用／／加 text（）的方式，这样能够保证获取到最全面的文本信息，可是可能会夹杂一些换行符等特殊字符。若是想获取某些特定子孙节点下的全部文本，能够先选取到特定的子孙节点，而后再调用 text（）方法获取其内部文本，这样能够保证获取的结果是整洁的。
属性获取
- 用＠符号能够获取节点属性。
  例：想获取全部 li 节点下全部 a 节点的 href 属性，示例：
```
from lxml import etree
html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)
输出：
['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']
```
  这里经过＠href 便可获取节点的 href 属性。
- 注意，此处和属性匹配的方法不一样，属性匹配是中括号加属性名和值来限定某个属性，如［＠href="link1.html”］，而此处的＠href 指的是获取节点的某个属性　　　　
属性多值匹配

某些节点的某个属性可能有多个值.例：
```
from lxml import etree
text = '''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result =html.xpath('//li[@class="li"]/a/text()')
print(result)
输出：
[]
```
这里 HTML 文本中 li 节点的 class 属性有两个值 li 和 li-first，此时若是还想用以前的属性匹配获取，就没法匹配了。因此输出为空。这时须要用 contains（）函数，代码修改以下：
```
from lxml import etree
text = '''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result =html.xpath('//li[contains(@class,"li")]/a/text()')
print(result)
输出：
['first item']
```
经过 contains（）方法，第一个参数传人属性名称，第二个参数传人属性值，只要此属性包含所传人的属性值，就能够完成匹配了。此方式在某个节点的某个属性有多个值时常常用到，如某个节点的 class 属性一般有多个。

多属性匹配
- 根据多个属性肯定一个节点，这时须要同时匹配多个属性。此时可使用运算符 and 来链接，例：
```
from lxml import etree
text = '''
<li class="li li-first" name ="item"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result =html.xpath('//li[contains(@class,"li") and @name="item"]/a/text()')
print(result)
输出：
['first item']
```
  li 节点又增长了一个属性 name。要肯定这个节点，须要同时根据 class 和 name 属性来选择，一个条件是 class 属性里面包含 li 字符串，另外一个条件是 name 属性为 item 字符串，两者须要同时知足，须要用 and 操做符相连，相连以后置于中括号内进行条件筛选。
- 此处 and 是 XPath 中的运算符。还有不少运算符，如 or、 mod 等，以下：
按序选择
- 有时候，在选择的时候某些属性可能同时匹配了多个节点，若是只想要其中的某个节点，能够利用中括号传入索引的方法获取特定次序的节点。
  - 例：须要第二个节点或者最后一个节点：
```
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 =html.xpath('//li[1]/a/text()')
print(result)
result = html.xpath('//li[last()]/a/text()')
print(result)
result = html.xpath('//li[position()<3]/a/text()')
print(result)
result = html.xpath('//li[last()-2]/a/text()')
print(result)
输出：
['first item']
['fifth item']
['first item', 'second item']
['third item'] 
```
    - 第一次选择时，咱们选取了第一个 li 节点，中括号中传入数字 1 便可。注意，这里和代码中不同，序号是以 1 开头的，不是以 0 开头。
    - 第二次选择时，咱们选取了最后一个 li 节点，中括号中传入 last（）便可，返回的即是最后一个 li 节点。
    - 第三次选择时，咱们选取了位置小于 3 的 li 节点，也就是位置序号为 1 和 2 的节点，获得的结果就是前两个 li 节点。
    - 第四次选择时，咱们选取了倒数第三个 li 节点，中括号中传入 last()-2 便可。由于 last（）是最后一个，因此 last()-2 就是倒数第三个。
  - 这里使用了 last（）、position（）等函数。在 XPath 中，提供了 100 多个函数，包括存取、数值、字符串、逻辑、节点、序列等处理功能，具体做用能够参考： http://www.w3school.com.cn/xpath/xpath _functions.asp。
节点轴选择
- XPath 提供了不少节点轴选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等，示例：
```
from lxml import etree
text = '''
<div>
<ul>
<li class="item-0"><a href="link1.html"><span>first item</span></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 =html.xpath('//li[1]/ancestor::*')
print(result)
result = html.xpath('//li[1]/ancestor::div')
print(result)
result = html.xpath('//li[1]/attribute::*')
print(result)
result = html.xpath('//li[1]/child::a[@href="link1.html"]')
print(result)
result = html.xpath('//li[1]/descendant::span')
print(result)
result = html.xpath('//li[1]/following::*[2]')
print(result)
result = html.xpath('//li[1]/following-sibling::*')
print(result)
输出：
[<Element html at 0x2d9a83c5608>, <Element body at 0x2d9a83c5588>, <Element div at 0x2d9a83c5548>, <Element ul at 0x2d9a83c5648>]
[<Element div at 0x2d9a83c5548>]
['item-0']
[<Element a at 0x2d9a83c5648>]
[<Element span at 0x2d9a83c5548>]
[<Element a at 0x2d9a83c5648>]
[<Element li at 0x2d9a83c5588>, <Element li at 0x2d9a83c5688>, <Element li at 0x2d9a83c56c8>, <Element li at 0x2d9a83c5708>]
```
  - 第一次选择时，调用了 ancestor 轴，能够获取全部祖先节点。其后须要跟两个冒号，而后是节点的选择器，这里咱们直接使用＊，表示匹配全部节点，所以返回结果是第一个 li 节点的全部祖先节点，包括 html、 body、 div 和 ul。
  - 第二次选择时，咱们又加了限定条件，此次在冒号后面加了 div，这样获得的结果就只有 div 这个祖先节点了。
  - 第三次选择时，咱们调用了 attribute 轴，能够获取全部属性值，其后跟的选择器仍是＊，这表明获取节点的全部属性，返回值就是 li 节点的全部属性值。
  - 第四次选择时，咱们调用了 child 轴，能够获取全部直接子节点。这里咱们又加了限定条件，选取 href 属性为 linkl.html 的 a 节点。
  - 第五次选择时，咱们调用了 descendant 轴，能够获取全部子孙节点。这里咱们又加了限定条件获取 span 节点，因此返回的结果只包含 span 节点而不包含 a节点。
  - 第六次选择时，咱们调用了 following 轴，能够获取当前节点以后的全部节点。这里咱们虽然使用的是＊匹配，但又加了索引选择，因此只获取了第二个后续节点。
  - 第七次选择时，咱们调用了 following-sibling 轴，能够获取当前节点以后的全部同级节点。这里咱们使用＊匹配，因此获取了全部后续同级节点。以上是 XPath 轴的简单用法
- 更多轴的用法能够参考： http://www.w3school.com.cn/xpath/xpath_axes.asp
- 更多 XPath 的用法，能够查看： http://www.w3school.com.cn/xpath/index.asp。
- 更多 Python lxml 库的用法，能够查看 http://lxml.de/