📋 个人简介
💖 作者简介：大家好，我是W_chuanqi，一个编程爱好者
📙 个人主页：W_chaunqi
😀 支持我：点赞👍+收藏⭐️+留言📝
💬 愿你我共勉：“若身在泥潭，心也在泥潭，则满眼望去均是泥潭；若身在泥潭，而心系鲲鹏，则能见九万里天地。”✨✨✨

XPath 的使用

​ XPath 的全称是 XML Path Language，即 XML 路径语言，用来在 XML 文档中查找信息。它虽然最初是用来搜寻 XML 文档的，但同样适用于 HTML 文档的搜索。

​ 所以在做爬虫时，我们完全可以使用 XPath实现相应的信息抽取。下面我们来看一下 XPath的基本用法。

1. XPath 概览

​ XPath的选择功能十分强大,它提供了非常简洁明了的路径选择表达式。另外，它还提供了100多个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等。几乎所有我们想要定位的节点，都可以用 XPath 选择。

​ XPath 于 1999 年 11 月 16 日成为 W3C标准，它被设计出来，供 XSLT、XPointer以及其他 XML解析软件使用。

2. XPath 常用规则

​ 下表列举了 XPath 的几个常用规则。

​ 这里列出了 XPath 的一个常用匹配规则，如下：

//title[@lang='eng']
1

​ 它代表选择所有名称为 title，同时属性 1ang 的值为 eng 的节点。后面会通过 Python 的 lxml 库，利用 XPath 对 HTML进行解析。

3.准备工作

​ 使用 lxml 库之前，首先要确保其已安装好。可以使用 pip3 来安装:

pip3 install lxml
1

​ 安装完成，速度稍微有点慢，大概3分钟左右。

4.实例引入

​ 下面通过实例感受一下使用 XPath 对网页进行解析的过程，相关代码如下：

from lxml import etree
text = '''

    

        
  first item 
        
  second item 
        
  third item 
        
  fourth item 
        
  fifth item 
    

'''
html = etree.HTML(text)
result = etree.tostring(html)
print(result.decode('utf-8'))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

​ 这里首先导人 lxml库的 etree模块，然后声明了一段 HTML文本，接着调用HTML 类进行初始化，这样就成功构造了一个 XPath 解析对象。此处需要注意一点，HTML 文本中的最后一个 li 节点是没有闭合的，而 etree 模块可以自动修正 HTML 文本。

​ 之后调用 tostring方法即可输出修正后的 HTML 代码，但是结果是 bytes 类型。于是利用 decode方法将其转换成 str 类型，结果如下：

​ 可以看到，经过处理之后的 li 节点标签得以补全，并且自动添加了 body、html 节点。另外，也可以不声明，直接读取文本文件进行解析，实例如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = etree.tostring(html)
print(result.decode('utf-8'))
1
2
3
4
5

​ 其中test.html的内容就是上面例子中的html代码，内容如下：

<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>
1
2
3
4
5
6
7
8
9

​ 这次的输出结果略有不同，多了一个DOCTYPE声明，不过对解析无任何影响，结果如下：

📙注意：

这里出现的 为carriage return，也就是回车，这里可能是我的HTML代码有问题，但不影响解析。。。

5.所有节点

​ 我们一般会用以// 开头的 XPath 规则，来选取所有符合要求的节点。这里还是以第一个实例中的 HTML 文本为例，选取其中所有节点，实现代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//*')
print(result)
1
2
3
4
5

运行结果如下：

​ 这里使用*代表匹配所有节点,也就是获取整个 HTML 文本中的所有节点。从运行结果可以看到，返回形式是一个列表，其中每个元素是 Element 类型，类型后面跟着节点的名称，如 html、body、div、u1、li、a等，所有节点都包含在了列表中。

​ 当然，此处匹配也可以指定节点名称。例如想获取所有 li 节点，实例如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])
1
2
3
4
5
6

​ 这里选取所有 li节点，可以使用//，然后直接加上节点名称，调用时使用xpath方法即可。

​ 运行结果如下：

​ 可以看到，提取结果也是一个列表，其中每个元素都是Element 类型。要是想取出其中一个对象，可以直接用中括号加索引获取，如[0]。

6.子节点

​ 通过／或// 即可查找元素的子节点或子孙节点。假如现在想选择 li 节点的所有直接子节点 a，则可以这样实现：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a')
print(result)
1
2
3
4
5

​ 这里通过追加 /a 的方式，选择了所有li节点的所有直接子节点 a。其中//li用于选中所有li节点，/a 用于选中 li 节点的所有直接子节点 a。

​ 运行结果如下：

​ 上面的/用于选取节点的直接子节点，如果要获取节点的所有子孙节点，可以使用//。例如，要获取 ul节点下的所有子孙节点 a，可以这样实现：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//ul//a')
print(result)
1
2
3
4
5

​ 运行结果是相同的。

​ 但是如果这里用//ul/a，就无法获取任何结果了。因为／用于获取直接子节点，而 u1 节点下没有直接的 a子节点，只有 li 节点，所以无法获取任何匹配结果，代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//ul/a')
print(result)
1
2
3
4
5

​ 运行结果如下:

因此这里要注意／和//的区别，前者用于获取直接子节点，后者用于获取子孙节点。

7.父节点

​ 通过连续的/或//可以查找子节点或子孙节点，那么假如知道了子节点，怎样查找父节点呢？这可以用…实现。

​ 例如，首先选中 href 属性为 link4.html 的 a节点，然后获取其父节点，再获取父节点的 class 属性，相关代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)
1
2
3
4
5

​ 运行结果如下：

​ 检查一下结果发现，这正是我们获取的目标 li 节点的 class 属性。

​ 也可以通过 parent:：获取父节点，代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')
print(result)
1
2
3
4
5

8.属性匹配

​ 在选取节点的时候，还可以使用@符号实现属性过滤。例如，要选取 class属性为item-0的li节点，可以这样实现:

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)
1
2
3
4
5

​ 这里通过加入[@class=“item-0”]，限制了节点的 class 属性为 item-0。HTML 文本中符合这个条件的 li 节点有两个，所以结果应该返回两个元素。结果如下：

​ 可见，匹配结果正是两个，至于是不是正确的那两个，后面再验证。

9.文本获取

​ 用XPath 中的 text 方法可以获取节点中的文本，接下来尝试获取前面li节点中的文本，相关代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/text()')
print(result)
1
2
3
4
5

​ 运行结果如下：

奇怪的是，我们没有获取任何文本，只获取了一个换行符，这是为什么呢？因为 xpath 中text方法的前面是/，而／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，所以这里匹配到的结果就是被修正的 li 节点内部的换行符，因为自动修正的 li 节点的尾标签换行了。

​ 即选中的是这两个节点：

<li class="item-o"><a href="link1.html">first itema>li>
<li class="item-o"><a href="link5.html">fifth itema>
li>
1
2
3

​ 其中一个节点因为自动修正，li 节点的尾标签在添加的时候换行了，所以提取文本得到的唯一结果就是 li 节点的尾标签和 a 节点的尾标签之间的换行符。

​ 因此，如果想获取 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，另一种是使用//。接下来，我们看下两种方式的区别。

​ 先选取 a节点，再获取文本的代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)
1
2
3
4
5

​ 运行结果如下：

​ 可以看到，这里有两个返回值，内容都是 class 属性为 item-o 的 li 节点的文本，这也印证了前面属性匹配的结果是正确的。

​ 这种方式下，我们是逐层选取的，先选取 li节点，然后利用/选取其直接子节点a，再选取节员a的文本，得到的结果恰好是我们预期的。

​ 再来看一下使用 //能够获取什么样的结果，代码如下：

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]//text()')
print(result)
1
2
3
4
5

​ 运行结果如下：

​ 不出所料，这里的返回结果是三个。可想而知，这里选取的是所有子孙节点的文本，其中前两个是 li 的子节点 a内部的文本，另外一个是最后一个 li 节点内部的文本，即换行符。

​ 由此，要想获取子孙节点内部的所有文本，可以直接使用// 加 text 方法的方式，这样能够保证获取最全面的文本信息，但是可能会夹杂一些换行符等特殊字符。如果想获取某些特定子孙节点下的所有文本，则可以先选取特定的子孙节点，再调用 text 方法获取其内部的文本，这样可以保证获取的结果是整洁的。

10.属性获取

​ 我们已经可以用 text 方法获取节点内部文本,那么节点属性该怎样获取呢？其实依然可以用@符号。例如，通过如下代码获取所有 li 节点下所有 a节点的 href 属性:

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)
1
2
3
4
5

​ 这里通过@href 获取节点的 href 属性。注意，此处和属性匹配的方法不同，属性匹配是用中括号加属性名和值来限定某个属性，如[@href=“link1.html”]，此处的 @href 是指获取节点的某个属性，二者需要做好区分。

​ 运行结果如下：

​ 可以看到，我们成功获取了所有 li 节点下 a 节点的 href 属性，并以列表形式返回了它们。

11.属性多值匹配

​ 有时候，某些节点的某个属性可能有多个值，例如：

from lxml import etree

text = '''
  first item  
'''
html = etree.HTML(text)
result = html.xpath('//li[@class="li"]/a/text()')
print(result)
1
2
3
4
5
6
7
8

​ 这里 HTML 文本中 li 节点的 class 属性就有两个值：li和 li-first。此时如果还用之前的属性匹配获取节点，就无法进行了，运行结果如下：

这种情况需要用到 contains 方法，于是代码可以改写如下：

from lxml import etree

text = '''
  first item  
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class,"li")]/a/text()')
print(result)
1
2
3
4
5
6
7
8

​ 上面使用了 contains 方法，给其第一个参数传入属性名称，第二个参数传入属性值，只要传入的属性包含传入的属性值，就可以完成匹配了。

​ 此时运行结果如下：

contains 方法经常在某个节点的某个属性有多个值时用到。

12.多属性匹配

​ 我们还可能遇到一种情况，就是根据多个属性确定一个节点，这时需要同时匹配多个属性。运算符 and 用于连接多个属性，实例如下：

from lxml import etree

text = '''
first item 
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class,"li") and @name="item"]/a/text()')
print(result)
1
2
3
4
5
6
7
8

​ 这里的 li 节点又增加了一个属性 name。因此要确定 li 节点，需要同时考察 class 和name属性，一个条件是 class 属性里面包含li 字符串，另一个条件是 name 属性为 item 字符串，这二者同时需满足，才是 li 节点。class 和 name 属性需要用 and 运算符相连，相连之后置于中括号内进行筛选。运行结果如下：

这里的 and 其实是 XPath 中的运算符。除了它，还有很多其他运算符，如 or、mod 等，见下表。

13.按序选择

​ 在选择节点时，某些属性可能同时匹配了多个节点，但我们只想要其中的某一个，如第二个或者最后一个，这时该怎么办呢？

​ 可以使用往中括号中传人索引的方法获取特定次序的节点，实例如下:

from lxml import etree
text = '''

    

        
  first item 
        
  second item 
        
  third item 
        
  fourth item 
        
  fifth item 
    

'''
html = etree.HTML(text)
result1 = html.xpath('//li[1]/a/text()')
print(result1)
result2 = html.xpath('//li[last()]/a/text()')
print(result2)
result3 = html.xpath('//li[position()<3]/a/text()')
print(result3)
result4 = html.xpath('//li[last()-2]/a/text()')
print(result4)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

​ 上述代码中：

• 第一次选择时选取了第一个 li 节点，往中括号中传人数字 1 即可实现。注意，这里和写代码不同，序号以 1 开头，而非0。
• 第二次选择时，选取了最后一个 li 节点，在中括号中调用 last 方法即可实现。
• 第三次选择时，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，得到的结果就是前两个 li 节点。
• 第四次选择时，选取了倒数第三个 li 节点，在中括号中调用 last 方法再减去 2 即可实现。因为last 方法代表最后一个，在此基础上减 2 得到的就是倒数第三个。

​ 运行结果如下:

​ 在这个实例中，我们使用了 last、position等方法。XPath 提供了 100 多个方法，包括存取、数值、字符串、逻辑、节点、序列等处理功能。

14.节点轴选择

​ XPath 提供了很多节点轴的选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等，实例如下：

from lxml import etree
text = '''

    

        
  first item 
        
  second item 
        
  third item 
        
  fourth item 
        
  fifth item 
    

'''
html = etree.HTML(text)
result1 = html.xpath('//li[1]/ancestor::*')
print(result1)
result2 = html.xpath('//li[1]/ancestor::div')
print(result2)
result3 = html.xpath('//li[1]/attribute::*')
print(result3)
result4 = html.xpath('//li[1]/child::a[@href="link1.html"]')
print(result4)
result5 = html.xpath('//li[1]/descendant::span')
print(result5)
result6 = html.xpath('//li[1]/following::*[2]')
print(result6)
result7 = html.xpath('//li[1]/following-sibling::*')
print(result7)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

​ 运行结果如下:

上述代码中：

• 第一次选择时，调用了 ancestor 轴，可以获取所有祖先节点。其后需要跟两个冒号，然后是节点的选择器，这里我们直接使用*，表示匹配所有节点，因此相应返回结果是第一个li节目的所有祖先节点，包括 html、body、div 和 u1。

• 第二次选择时，又加了限定条件，这次是在冒号后面加了 div，于是得到的结果就只有 div这个祖先节点了。

• 第三次选择时，调用了 attribute 轴，可以获取所有属性值，其后跟的选择器还是*，代表获取节点的所有属性，返回值就是 li 节点的所有属性值。

• 第四次选择时，调用了 child轴，可以获取所有直接子节点。这里我们又加了限定条件，选取 href 属性为 link1.html 的 a 节点。

• 第五次选择时，调用了 descendant 轴，可以获取所有子孙节点。这里我们又加了限定条件—-获取 span 节点，所以返回结果只包含 span 节点，不包含 a节点。

• 第六次选择时，调用了 following轴，可以获取当前节点之后的所有节点。这里我们虽然使用的是*匹配，但又加了索引选择，所以只获取了第二个后续节点。

• 第七次选择时，调用了 following-sibling 轴，可以获取当前节点之后的所有同级节点。这里我们使用*匹配，所以获取了所有的后续同级节点。