XPath库详解

xpath入门
获取节点
属性匹配
文本获取
按序选择
节点轴选择
补充
- xpath的运算符介绍
- xpath轴

xpath入门

在上次我详细的讲了一下什么是xpath，具体了解可以先看下面这篇博客：https://www.cnblogs.com/yanjiayi098-001/p/12009963.html

使用xpath之前先安装lxml库

pip install lxml

先看一段简单的示例：

from lxml import etree

text = '''

<div>

    <ul>

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

        <li class="item-1"><a href="link2.html">second</a>

        <li class="item-2"><a href="link3.html">third</li>

        <li class="item-3"><a href="link4.html">fourth</a></li>

    </ul>

</div>

'''

html = etree.HTML(text)

result = etree.tostring(html)

print(result.decode('utf-8'))

注意查看代码中的html片段，第二个li没有闭合，第三个li的a标签没有闭合

查看结果：

新建 hello.html

<div>

    <ul>

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

        <li class="item-1"><a href="link2.html">second</a></li>

        <li class="item-2"><a href="link3.html">third</a></li>

        <li class="item-3"><a href="link4.html">fourth</a></li>

    </ul>

</div>

.py文件

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

result = etree.tostring(html)

print(result.decode('utf-8'))

结果：

<html><body>

<div>

    <ul>

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

        <li class="item-1"><a href="link2.html">second</a></li>

        <li class="item-2"><a href="link3.html">third</a></li>

        <li class="item-3"><a href="link4.html">fourth</a></li>

    </ul>

</div>

</body></html>

获取节点

获取所有节点

//*表示匹配所有节点

html = etree.parse('./hello.html', etree.HTMLParser())

result = html.xpath('//*')

print(result)

结果：

[<Element html at 0x252593df0c8>, <Element head at 0x252596a7c88>, <Element meta at 0x252596a7cc8>, <Element title at 0x252596a7d48>, <Element body at 0x252596a7f48>, <Element div at 0x252596b40c8>, <Element ul at 0x252596b4148>, <Element li at 0x252596b4188>, <Element a at 0x252596b41c8>, <Element li at 0x252596b4088>, <Element a at 0x252596b4208>, <Element li at 0x252596b4248>, <Element a at 0x252596b4288>, <Element li at 0x252596b42c8>, <Element a at 0x252596b4308>]

匹配指定节点，如获取所有li节点

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

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

print(result)  # 所有li节点

print(result[0])  # 第一个li节点

结果：

[<Element li at 0x29d8c7f7bc8>, <Element li at 0x29d8c7f7c08>, <Element li at 0x29d8c7f7c88>, <Element li at 0x29d8c7f7f88>]

<Element li at 0x29d8c7f7bc8>

获取子节点

/表示匹配子节点

获取li节点的直接子节点

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

result = html.xpath('//li/a') # 获取所有li节点的直接子节点a

print(result)

结果：

[<Element a at 0x2305cda7c88>, <Element a at 0x2305cda7cc8>, <Element a at 0x2305cda7d48>, <Element a at 0x2305cda7f48>]

改成 // 可以这么写：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

result = html.xpath('//div//a')  # 获取div的所有后代a节点

print(result)

获取父节点

..表示匹配父节点

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

# 获取href属性为link2.html的a标签的父节点的class名

result = html.xpath('//a[@href="link2.html"]/../@class')

print(result)

# ['item-1']  #结果

属性匹配

@表示匹配属性

根据属性值匹配节点

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

# 获取属性class值为item-0的li

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

print(result)

# [<Element li at 0x2aa50947cc8>]

属性多值匹配

使用contains函数匹配

可以看出 contains函数表示意思是，第一个参数字符串包含第二个参数时，返回true

实际用起来可能会有点差异（由于结合了路径表达式和属性）

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)

# []

result = html.xpath('//li[contains(@class, "li")]/a/text()')

##选取class属性包含字符串"li"的节点

print(result)

# ['first item']

多属性匹配

需要匹配满足多个属性的节点，使用 and 运算符

from lxml import etree

text = '''

<li class="li li-first" name="item"><a href="link.html">first item</a></li>

'''

html = etree.HTML(text)

# 通过class和name两个属性进行匹配

result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')

print(result)

# ['first item']

文本获取

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

# 获取属性class值为item-0的li的子节点a的文本内容

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

print(result)

# ['first']

如果想要获取后代节点内部的所有文本，使用 //text()

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

# 获取所有li的后代节点中的文本

result = html.xpath('//li//text()')

print(result)

# ['first', 'second', 'third', 'fourth']

按序选择

根据节点所在的顺序进行提取

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

# 按索引排序

result = html.xpath('//li[1]/a/text()')

print(result)

# ['first']

# last 最后一个

result = html.xpath('//li[last()]/a/text()')

print(result)

# ['fourth']

# position 位置查找

result = html.xpath('//li[position()<3]/a/text()')

print(result)

# ['first', 'second']

# - 运算符

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

print(result)

# ['second']

节点轴选择

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())

# 所有祖先节点

result = html.xpath('//li[1]/ancestor::*')

print(result)

# [<Element html at 0x106e4be88>, <Element body at 0x106e4bf88>, <Element div at 0x106e4bfc8>, <Element ul at 0x106e6f048>]

# 祖先节点中的div

result = html.xpath('//li[1]/ancestor::div')

print(result)

# [<Element div at 0x106ce4fc8>]

# 第一个节点的所有属性

result = html.xpath('//li[1]/attribute::*')

print(result)

# ['item-0']

# 子节点

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

print(result)

# [<Element a at 0x107941fc8>]

# 后代节点中的a

result = html.xpath('//li[1]/descendant::a')

print(result)

# [<Element a at 0x10eeb7fc8>]

# 该节点后面所有节点中的第2个 从1开始计数

result = html.xpath('//li[1]/following::*[2]')

print(result)

# [<Element a at 0x10f188f88>]

# 该节点后面的所有兄弟节点

result = html.xpath('//li[1]/following-sibling::*')

print(result)

# [<Element li at 0x104b7f048>, <Element li at 0x104b7f088>, <Element li at 0x104b7f0c8>]

补充

xpath的运算符介绍

xpath轴

XPath库详解的更多相关文章

Lua的协程和协程库详解
我们首先介绍一下什么是协程.然后详细介绍一下coroutine库,然后介绍一下协程的简单用法,最后介绍一下协程的复杂用法. 一.协程是什么? (1)线程首先复习一下多线程.我们都知道线程——Thre ...
Python--urllib3库详解1
Python--urllib3库详解1 Urllib3是一个功能强大,条理清晰,用于HTTP客户端的Python库,许多Python的原生系统已经开始使用urllib3.Urllib3提供了很多pyt ...
Struts标签库详解【3】
struts2标签库详解要在jsp中使用Struts2的标志,先要指明标志的引入.通过jsp的代码的顶部加入以下的代码: <%@taglib prefix="s" uri= ...
STM32固件库详解
STM32固件库详解 emouse原创文章,转载请注明出处http://www.cnblogs.com/emouse/ 应部分网友要求,最新加入固件库以及开发环境使用入门视频教程,同时提供例程模板 ...
MySQL5.6的4个自带库详解
MySQL5.6的4个自带库详解 1.information_schema详细介绍: information_schema数据库是MySQL自带的,它提供了访问数据库元数据的方式.什么是元数据呢?元数 ...
php中的PDO函数库详解
PHP中的PDO函数库详解 PDO是一个“数据库访问抽象层”,作用是统一各种数据库的访问接口,与mysql和mysqli的函数库相比,PDO让跨数据库的使用更具有亲和力:与ADODB和MDB2相比,P ...
STM32 HAL库详解及手动移植
源: STM32 HAL库详解及手动移植
爬虫入门之urllib库详解(二)
爬虫入门之urllib库详解(二) 1 urllib模块 urllib模块是一个运用于URL的包 urllib.request用于访问和读取URLS urllib.error包括了所有urllib.r ...
Python爬虫系列-Urllib库详解
Urllib库详解 Python内置的Http请求库: * urllib.request 请求模块 * urllib.error 异常处理模块 * urllib.parse url解析模块 * url ...

随机推荐

[BJOI2019]送别——非旋转treap
题目链接: [BJOI2019]送别我们将每段墙的每一面看成一个点,将每个点与相邻的点(即按题中规则前进或后退一步能走到的点)连接.那么图中所有点就形成了若干个环,而添加一段墙或删除一段墙就是把两个 ...
如何确定哪个SMB客户端/会话在Server 2008R2 Windows文件服务器上打开了特定文件？
参考: http://www.kbase101.com/question/54969.html NetworkOpenedFiles v1.25 https://www.nirsoft.net/ut ...
史上最详细的C语言和Python的选择排序算法
未经同意,请勿转载!如有收货,请留一赞,不胜感激! 同时欢迎加入我们的qq交流群:326079727 话不多说上代码: C语言: //选择排序走起 //原理:吃透原理再去实现,选择排序也是类似于冒泡排 ...
React的Virtual DOM厉害了
React 的伟大之处就在于,提出了Virtual DOM这种新颖的思路,并且这种思路衍生出了React Native,有可能会统一Web/Native开发. 在性能方面,由于用到了Virtual D ...
https://uwsgi-docs.readthedocs.io/en/latest/Async.html
Beware! Async modes will not speed up your app, they are aimed at improving concurrency. Do not expe ...
[maven][转]pom配置之：snapshot快照库和release发布库
在使用maven过程中,我们在开发阶段经常性的会有很多公共库处于不稳定状态,随时需要修改并发布,可能一天就要发布一次,遇到bug时,甚至一天要发布N次.我们知道,maven的依赖管理是基于版本管理的, ...
test result
升级系统中的java到1.8版本
(1).安装或升级java,并配置环境变量注意:此处分为yum安装与rpm安装,区别在于yum安装省事但配置麻烦,rpm安装麻烦但配置省事. 1)yum安装在安装前可以使用yum list ins ...
BTE的一些知识
1.今天遇到一个问题,看项目上做了BTE增强00001120 事件的BTE 但是自定义函数更改了参数 t_bseg t_bkpf MODIFY t_bkpf FROM ls_bkpf TRAN ...
Python操作qml对象
1. 如何在python里获得qml里的对象? 1.1 获取根对象 QML: import QtQuick 2.12 import QtQuick.Controls 2.12 ApplicationW ...