Python爬虫从入门到进阶(4)之xpath的使用

官网地址：https://lxml.de/xpathxslt.html

导入：

 from lxml import etree

lxml.tree 支持 ElementTree 和 Element 上的 find,findall,findtext方法的简单路径语法，作为特定的 lxml 扩展，这些类提供了 xpath()方法，该方法支持完整xpath语法中的表达式，以及定制的扩展函数。

xpath()方法

对于ElementTree，xpath 方法对文档(绝对路径)或者根节点执行全局（相对路径） xpath查询

def demo_1():
    f = StringIO('<foo><bar></bar></foo>')
    tree = etree.parse(f)
    r = tree.xpath('/foo/bar')
    print(len(r))
    print(r[0].tag)

    r_2 = tree.xpath('bar')
    print(r_2[0].tag)

在 Element 上使用 xpath() 时，xpath()表达式根据元素(相对路径)或根树(绝对路径)查询：

def demo_2():
    f = StringIO('<foo><bar></bar></foo>')
    tree = etree.parse(f)

    root = tree.getroot()
    r = root.xpath('bar')
    print(r[0].tag)

    bar = root[0]
    r = bar.xpath('/foo/bar')
    print(r[0].tag)

xpath()方法支持xpath变量：

def demo_3():
    f = StringIO('<foo><bar></bar></foo>')
    tree = etree.parse(f)
    root = tree.getroot()

    expr = "//*[local-name() = $name]"
    print(root.xpath(expr, name='foo')[0].tag)
    print(root.xpath(expr, name="bar")[0].tag)
    print(root.xpath("$text", text="Hello World!"))
    

命名空间和前缀

如果XPath表达式使用名称空间前缀，则必须在前缀映射中定义它们。为此，将一个字典传递给namespace关键字参数，该参数将XPath表达式中使用的名称空间前缀映射到名称空间uri

def demo_4():
    f = StringIO('''\
    <a:foo xmlns:a="http://codespeak.net/ns/test1"
           xmlns:b="http://codespeak.net/ns/test2">
        <b:bar>Text</b:bar>
    </a:foo>
    ''')

    doc = etree.parse(f)
    r = doc.xpath('/x:foo/b:bar',
                  namespaces={'x': 'http://codespeak.net/ns/test1',
                              'b': 'http://codespeak.net/ns/test2'})
    print(len(r))
    print(r[0].tag)
    print(r[0].text)

在这里选择的前缀并没有连接到XML文档中使用的前缀，文档可以定义任何前缀，包括空前缀，也不会破坏上面的代码

注意 XPath 没有默认的命名空间，因此，XPath 中没有定义空前缀，不能在命名空间前缀映射中使用

XPath返回值

XPath返回值的类型取决于使用的Xpath 表达式：

　　(1) True 或者 False

　　(2) float

　　(3) “智能的”string

　　　　XPath字符串的结果是“智能的”，因为它们提供了一个getparent()方法，该方法知道它们的起源:

　　　　　　（i）对于属性值，result.getparent()返回携带它们的元素。例如//foo/@attribute，它的父元素是一个foo元素。

　　　　　　（ii）对于text()函数(如//text())，它返回包含返回的文本或尾部的元素。

　　　　以使用布尔属性is_text、is_tail和is_attribute来区分不同的文本源。

　　　　注意，getparent()不一定总是返回一个元素。例如，XPath函数string()和concat()将构造没有原点的字符串。对于它们，getparent()将不返回任何值。

　　　　有些情况下 smart string 并不受欢迎。例如：它意味着树将字符串保持活动状态，如果字符串值是树中唯一真正需要的东西，那么它可能会对内存产生相当大的影响。对于这些情况，可以使用关键字 smart_strings禁用父关系　

def demo_5():
    root = etree.XML("<root><a>TEXT</a></root>")
    find_text = etree.XPath("//text()")
    text = find_text(root)[0]
    print(text)
    print(text.getparent().text)

    # 禁用父关系
    find_text = etree.XPath("//text()", smart_strings=False)
    text = find_text(root)[0]
    print(text)
    hasattr(text, 'getparent')　　　

　　(4) list 或者 items

生成XPath表达式

ElementTree对象有一个getpath(element)方法，它返回一个结构的、绝对的XPath表达式来查找该元素:

def demo_6():
    a = etree.Element("a")
    b = etree.SubElement(a, "b")
    c = etree.SubElement(a, "c")
    d1 = etree.SubElement(c, "d")
    d2 = etree.SubElement(c, "d")
    tree = etree.ElementTree(c)
    print(tree.getpath(d2))  # /c/d[2]
    print(tree.xpath(tree.getpath(d2)) == [d2])

XPath类

XPath类将XPath表达式编译为可调用函数

def demo_7():
    root = etree.XML("<root><a><b/></a><b/></root>")
    find = etree.XPath("//b")
    print(find(root)[0].tag)

编译花费的时间和 xpath()方法相同，但是每个类实例化编译一次，这能提高重复计算相同 Xpath 表达式的效率。就像xpath()方法一样，XPpath类支持xpath变量

def demo_8():
    root = etree.XML("<root><a><b/></a><b/></root>")
    count_elements = etree.XPath("count(//*[local-name() = $name])")
    print(count_elements(root, name="a"))
    print(count_elements(root, name="b"))

这支持非常有效地计算XPath表达式的修改版本，因为编译仍然只需要一次。

前缀到命名空间的映射可以作为第二个参数传递:

def demo_9():
    root = etree.XML("<root xmlns='NS'><a><b/></a><b/></root>")
    find = etree.XPath("//n:b", namespaces={'n': 'NS'})
    print(find(root)[0].tag)

XPath中的正则表达式

默认情况下，XPath支持EXSLT名称空间中的正则表达式，也可以使用 regexp 关键字禁用它，默认值是 True

def demo_10():
    regexpNS = "http://exslt.org/regular-expressions"
    find = etree.XPath("//*[re:test(., '^abc$', 'i')]", namespaces = {'re': regexpNS})
    root = etree.XML("<root><a>aB</a><b>aBc</b></root>")
    print(find(root)[0].text)

后面还有一些看不下去了，下一篇写下 xpath 的常规用法，点击下载代码