python使用xpath（超详细）

使用时先安装 lxml 包

开始使用

和beautifulsoup类似，首先我们需要得到一个文档树

把文本转换成一个文档树对象

from lxml import etree

if __name__ == '__main__':

    doc='''

        <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> # 注意，此处缺少一个 </li> 闭合标签

             </ul>

         </div>

        '''

    html = etree.HTML(doc)

    result = etree.tostring(html)

    print(str(result,'utf-8'))

把文件转换成一个文档树对象

from lxml import etree

# 读取外部文件 index.html

html = etree.parse('./index.html')

result = etree.tostring(html, pretty_print=True)    #pretty_print=True 会格式化输出

print(result)

均会打印出文档内容

节点、元素、属性、内容

xpath 的思想是通过路径表达去寻找节点。节点包括元素，属性，和内容

元素举例

html ---> <html> ...</html>

div ---> <div> ...</div>

a  ---> <a> ...</a>

这里我们可以看到，这里的元素和html中的标签一个意思。单独的元素是无法表达一个路径的，所以单独的元素不能独立使用

路径表达式

    /   根节点，节点分隔符，

    //  任意位置

    .   当前节点

    ..  父级节点

    @   属性

通配符

    *   任意元素

    @*  任意属性

    node()  任意子节点（元素，属性，内容)

谓语

使用中括号来限定元素，称为谓语

    //a[n] n为大于零的整数，代表子元素排在第n个位置的<a>元素

    //a[last()]   last()  代表子元素排在最后个位置的<a>元素

    //a[last()-]  和上面同理，代表倒数第二个

    //a[position()<3] 位置序号小于3，也就是前两个，这里我们可以看出xpath中的序列是从1开始

    //a[@href]    拥有href的<a>元素

    //a[@href='www.baidu.com']    href属性值为'www.baidu.com'的<a>元素

    //book[@price>2]   price值大于2的<book>元素

多个路径

用| 连接两个表达式，可以进行 或匹配

//book/title | //book/price

函数

xpath内置很多函数。更多函数查看https://www.w3school.com.cn/xpath/xpath_functions.asp

contains(string1,string2)
starts-with(string1,string2)
ends-with(string1,string2) #不支持
upper-case(string) #不支持
text()
last()
position()
node()

可以看到last()也是个函数，在前面我们在谓语中已经提到过了

案例

定位元素

匹配多个元素，返回列表

from lxml import etree

if __name__ == '__main__':

    doc='''

        <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> # 注意，此处缺少一个 </li> 闭合标签

             </ul>

         </div>

        '''

    html = etree.HTML(doc)

    print(html.xpath("//li"))

    print(html.xpath("//p"))

【结果为】

[<Element li at 0x2b41b749848>, <Element li at 0x2b41b749808>, <Element li at 0x2b41b749908>, <Element li at 0x2b41b749948>, <Element li at 0x2b41b749988>]

[]  #没找到p元素

html = etree.HTML(doc)

print(etree.tostring(html.xpath("//li[@class='item-inactive']")[0]))

print(html.xpath("//li[@class='item-inactive']")[0].text)

print(html.xpath("//li[@class='item-inactive']/a")[0].text)

print(html.xpath("//li[@class='item-inactive']/a/text()"))

print(html.xpath("//li[@class='item-inactive']/.."))

print(html.xpath("//li[@class='item-inactive']/../li[@class='item-0']"))

【结果为】

b'<li class="item-inactive"><a href="link3.html">third item</a></li>\n                 '

None    #因为第三个li下面没有直接text，None

third item  #

['third item']

[<Element ul at 0x19cd8c4c848>]

[<Element li at 0x15ea3c5b848>, <Element li at 0x15ea3c5b6c8>]

使用函数

contains

有的时候，class作为选择条件的时候不合适@class='....' 这个是完全匹配，当王爷样式发生变化时，class或许会增加或减少像active的class。用contains就能很方便

from lxml import etree

if __name__ == '__main__':

    doc='''

        <div>

            <ul>

                 <p class="item-0 active"><a href="link1.html">first item</a></p>

                 <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> # 注意，此处缺少一个 </li> 闭合标签

             </ul>

         </div>

        '''

    html = etree.HTML(doc)

    print(html.xpath("//*[contains(@class,'item')]"))

【结果为】

[<Element p at 0x23f4a9d12c8>, <Element li at 0x23f4a9d13c8>, <Element li at 0x23f4a9d1408>, <Element li at 0x23f4a9d1448>, <Element li at 0x23f4a9d1488>]

starts-with



from lxml import etree

if __name__ == '__main__':

    doc='''

        <div>

            <ul class='ul items'>

                 <p class="item-0 active"><a href="link1.html">first item</a></p>

                 <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> # 注意，此处缺少一个 </li> 闭合标签

             </ul>

         </div>

        '''

    html = etree.HTML(doc)

    print(html.xpath("//*[contains(@class,'item')]"))

    print(html.xpath("//*[starts-with(@class,'ul')]"))

【结果为】

[<Element ul at 0x23384e51148>, <Element p at 0x23384e51248>, <Element li at 0x23384e51288>, <Element li at 0x23384e512c8>, <Element li at 0x23384e51308>, <Element li at 0x23384e51388>]

[<Element ul at 0x23384e51148>]

ends-with

print(html.xpath("//*[ends-with(@class,'ul')]"))

【结果为】

Traceback (most recent call last):

  File "F:/OneDrive/pprojects/shoes-show-spider/test/xp5_test.py", line 18, in <module>

    print(html.xpath("//*[ends-with(@class,'ul')]"))

  File "src\lxml\etree.pyx", line 1582, in lxml.etree._Element.xpath

  File "src\lxml\xpath.pxi", line 305, in lxml.etree.XPathElementEvaluator.__call__

  File "src\lxml\xpath.pxi", line 225, in lxml.etree._XPathEvaluatorBase._handle_result

lxml.etree.XPathEvalError: Unregistered function

看来python的lxml并不支持有的xpath函数列表

upper-case

和ends-with函数一样，也不支持。同样报错lxml.etree.XPathEvalError: Unregistered function

print(html.xpath("//a[contains(upper-case(@class),'ITEM-INACTIVE')]"))

text、last

#最后一个li被限定了

print(html.xpath("//li[last()]/a/text()"))

#会得到所有的`<a>`元素的内容，因为每个<a>标签都是各自父元素的最后一个元素。

#本来每个li就只有一个<a>子元素，所以都是最后一个

print(html.xpath("//li/a[last()]/text()"))  

print(html.xpath("//li/a[contains(text(),'third')]"))

【结果为】

['fifth item']

['second item', 'third item', 'fourth item', 'fifth item']

[<Element a at 0x26ab7bd1308>]

position

print(html.xpath("//li[position()=2]/a/text()"))

#结果为['third item']

上面这个例子我们之前以及讲解过了

*这里有个疑问，就是position()函数能不能像text()那样用呢

print(html.xpath("//li[last()]/a/position()"))

#结果  lxml.etree.XPathEvalError: Unregistered function

这里我们得到一个结论，函数不是随意放在哪里都能得到自己想要的结果

node

返回所有子节点，不管这个子节点是什么类型（熟悉，元素，内容）

print(html.xpath("//ul/li[@class='item-inactive']/node()"))

print(html.xpath("//ul/node()"))

【结果为】

[<Element a at 0x239a0d197c8>]

['\n                 ', <Element li at 0x239a0d19788>, '\n                 ', <Element li at 0x239a0d19888>, '\n                 ', <Element li at 0x239a0d19908>, '\n                 ', <Element li at 0x239a0d19948>, '\n                 ', <Element li at 0x239a0d198c8>, ' 闭合标签\n             ']

获取内容

**刚刚已经提到过，可以使用.text和text()的方式来获取元素的内容



from lxml import etree

if __name__ == '__main__':

    doc='''

        <div>

            <ul class='ul items'>

                 <li class="item-0 active"><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> # 注意，此处缺少一个 </li> 闭合标签

             </ul>

         </div>

        '''

    html = etree.XML(doc)

    print(html.xpath("//a/text()"))

    print(html.xpath("//a")[0].text)

    print(html.xpath("//ul")[0].text)

    print(len(html.xpath("//ul")[0].text))

    print(html.xpath("//ul/text()"))

【结果为】

['first item', 'second item', 'third item', 'fourth item', 'fifth item']

first item

18

['\n                 ', '\n                 ', '\n                 ', '\n                 ', '\n                 ', ' 闭合标签\n             ']

看到这里，我们观察到text()和.text的区别。自己总结吧。不太好表达，就不表达了

获取属性

print(html.xpath("//a/@href"))

print(html.xpath("//li/@class"))

【结果为】

['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

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

自定义函数

我们从使用函数的过程中得到结论，就是有的函数不支持，有的支持，那问题来了，到底那些方法支持呢。我们在lxml官网找到了答案。https://lxml.de/xpathxslt.html。lxml 支持XPath 1.0 ，想使用其他扩展，使用libxml2，和libxslt的标准兼容的方式。XPath 1.0官方文档以及其他版本的XPath文档 https://www.w3.org/TR/xpath/

lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way.

除此之外，lxml还提供了自定义函数的方式来扩展xpath的支持度 https://lxml.de/extensions.html



from lxml import etree

#定义函数

def ends_with(context,s1,s2):

    return s1[0].endswith(s2)

if __name__ == '__main__':

    doc='''

        <div>

            <ul class='ul items'>

                 <li class="item-0 active"><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> # 注意，此处缺少一个 </li> 闭合标签

             </ul>

         </div>

        '''

    html = etree.XML(doc)

    ns = etree.FunctionNamespace(None)

    ns['ends-with'] = ends_with #将ends_with方法注册到方法命名空间中

    print(html.xpath("//li[ends-with(@class,'active')]"))

    print(html.xpath("//li[ends-with(@class,'active')]/a/text()"))

【结果为】

[<Element li at 0x2816ed30548>, <Element li at 0x2816ed30508>]

['first item', 'third item']

形参s1会传入xpath中的第一个参数@class，但这里注意@class是个列表
形参s2会传入xpath中的第二个参数'active'，'active'是个字符串

官网例子https://lxml.de/extensions.html

def hello(context, a):

    return "Hello %s" % a

from lxml import etree

ns = etree.FunctionNamespace(None)

ns['hello'] = hello

root = etree.XML('<a><b>Haegar</b></a>')

print(root.xpath("hello('Dr. Falken')"))

# 结果为 Hello Dr. Falken