python爬虫入门（五）XPath使用

对于网页的节点来说，它可以定义 id、class 或其他属性。而且节点之间还有层次关系，在网页中可以通过 XPath 或 CSS 选择器来定位一个或多个节点。在页面解析时，利用 XPath 或 CSS 选择器来提取某个节点，然后再调用相应方法获取它的正文内容或者属性，就可以提取我们想要的任意信息。

这种解析库已经非常多，其中比较强大的库有 lxml、Beautiful Soup、pyquery 等，通过使用解析库，可以免去编写正则表达式的麻烦，解析效率也能有所提高。

XPath的使用

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，但是它同样适用于 HTML 文档的搜索。所以在做爬虫时，我们完全可以使用 XPath 来做相应的信息抽取。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，它还提供了超过 100 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 来选择。

XPath 常用规则

实例

假设html代码如下（下面为python代码），开始前请安装lxml包：

text = '''

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 
'''
1
2
3
4
5
6
7
8
9
10
11

对这段html进行解析：

from lxml import etree
html = etree.HTML(text)
result = etree.tostring(html)
print(result.decode('utf-8'))
1
2
3
4

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

这里我们调用 tostring 方法即可输出修正后的 HTML 代码，但是结果是 bytes 类型。这里利用 decode 方法将其转成 str 类型。

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 

1
2
3
4
5
6
7
8
9
10

经过处理之后，li 节点标签被补全，并且还自动添加了 body、html 节点。

也可以直接读取文本文件进行解析：

html = etree.parse('./test.html', etree.HTMLParser())
1

输出结果会多一个 DOCTYPE 的声明。

选取所有节点

一般会用 // 开头的 XPath 规则来选取所有符合要求的节点。以前面的 HTML 文本为例，如果要选取所有节点，可以这样实现：

result = html.xpath('//*')
1

运行结果：

[, , , , , , , , , , , , , ]
1

这里使用 * 代表匹配所有节点，也就是整个 HTML 文本中的所有节点都会被获取。可以看到，返回形式是一个列表，每个元素是 Element 类型，其后跟了节点的名称，如 html、body、div、ul、li、a 等，所有节点都包含在列表中了。

如果想获取所有 li 节点：

result = html.xpath('//li')
1

提取结果是一个列表形式，其中每个元素都是一个 Element 对象。如果要取出其中一个对象，可以直接用中括号加索引，如 [0]。

选取子节点

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 a 子节点：

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

通过追加 /a 即选择了所有 li 节点的所有直接 a 子节点。因为 //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，二者组合在一起即获取所有 li 节点的所有直接 a 子节点。

此处的 / 用于选取直接子节点，如果要获取所有子孙节点，就可以使用 //：

result = html.xpath('//ul//a')
1

本例中运行结果相同。但是如果这里用 //ul/a，就无法获取任何结果了。而//ul//a依然可以输出和前面相同的结果。

我们要注意 / 和 // 的区别，其中 / 用于获取直接子节点，// 可以获取子孙节点。如果了解linux的话，即/为当前文件夹下查找，而//能够在当前文件夹下递归查找。

选取父节点

用… 来实现查找父节点。首先选中 href 属性为 link4.html 的 a 节点，然后再获取其父节点，然后再获取其 class 属性：

result = html.xpath('//a[@href="link4.html"]/../@class')  
1

也可以通过 parent:: 来获取父节点

result = html.xpath('//a[@href="link4.html"]/parent::*/@class')  
1

/parent::*：选择被筛选元素的父元素（任意标签）。

属性匹配

在选取的时候，我们还可以用 @符号进行属性过滤。如果要选取 class 为 item-0 的 li 节点：

result = html.xpath('//li[@class="item-0"]')  
1

通过加入 [@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，所以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。

result = html.xpath('//li[@class="item-0"]/text()')  
1

运行结果：

['\n     ']
1

奇怪的是，我们并没有获取到任何文本，只获取到了一个换行符。因为 XPath 中 text 方法前面是 /，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，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：

first item
fifth item

1
2
3

其中一个节点因为自动修正，li 节点的尾标签添加的时候换行了，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。

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，另一种就是使用 //。

选取到 a 节点再获取文本，代码如下：

result = html.xpath('//li[@class="item-0"]/a/text()')  
1

结果如下：

['first item', 'fifth item']
1

先选取了 li 节点，又利用 / 选取了其直接子节点 a，然后再选取其文本。

用另一种方式（即使用 //）选取的结果:

result = html.xpath('//li[@class="item-0"]//text()')  
1

结果如下：

['first item', 'fifth item', '\n     ']
1

这里是选取所有子孙节点的文本，其中前两个就是 li 的子节点 a 节点内部的文本，另外一个就是最后一个 li 节点内部的文本，即换行符。

如果要想获取子孙节点内部的所有文本，可以直接用 // 加 text 方法的方式，这样可以保证获取到最全面的文本信息，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，可以先选取到特定的子孙节点，然后再调用 text 方法方法获取其内部文本，这样可以保证获取的结果是整洁的。

属性获取

**用 @符号获取节点内部属性。**例如，我们想获取所有 li 节点下所有 a 节点的 href 属性。

result = html.xpath('//li/a/@href')  
1

这里我们通过 @href 即可获取节点的 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，二者需要做好区分。

属性多值匹配

某些节点的某个属性可能有多个值，例如：

text = '''  
first item
 
'''  
1
2
3

这里 HTML 文本中 li 节点的 class 属性有两个值 li 和 li-first，如果还想用之前的属性匹配获取：

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

运行结果为空。需要用 contains 方法了：

result = html.xpath('//li[contains(@class, "li")]/a/text()')  
1

通过 contains 方法，第一个参数传入属性名称，第二个参数传入属性值，只要此属性包含所传入的属性值，就可以完成匹配了。

多属性匹配

根据多个属性确定一个节点，这时就需要同时匹配多个属性。此时可以使用运算符 and 来连接。

例如：

text = '''  
first item
'''  
1
2
3

要确定这个节点，需要同时根据 class 和 name 属性来选择，一个条件是 class 属性里面包含 li 字符串，另一个条件是 name 属性为 item 字符串，二者需要同时满足，需要用 and 操作符相连，相连之后置于中括号内进行条件筛选。

result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')  
1

这里的 and 其实是 XPath 中的运算符。另外，还有很多运算符，如 or、mod 等。

按序选择

在选择的时候某些属性可能同时匹配了多个节点，但是只想要其中的某个节点，如第二个节点或者最后一个节点，可以利用中括号传入索引的方法获取特定次序的节点。

例如：

text = '''

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 
'''
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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

第一次选择时，我们选取了第一个 li 节点，中括号中传入数字 1 即可。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，我们选取了最后一个 li 节点，中括号中调用 last 方法即可，返回的便是最后一个 li 节点。

第三次选择时，我们选取了位置小于 3 的 li 节点，也就是位置序号为 1 和 2 的节点，得到的结果就是前两个 li 节点。

第四次选择时，我们选取了倒数第三个 li 节点，中括号中调用 last 方法再减去 2 即可。因为 last 方法代表最后一个，在此基础减 2 就是倒数第三个。

运行结果如下：

['first item']
['fifth item']
['first item', 'second item']
['third item']
1
2
3
4

这里我们使用了 last、position 等方法。在 XPath 中，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，它们的具体作用可以参考：http://www.w3school.com.cn/xpath/xpath_functions.asp。

节点轴选择

XPath 提供了很多节点轴选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等。

text = '''

    

         
first item
         
second item
         
third item
         
fourth item
         
fifth item
     
 
'''
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)
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

第一次选择时，我们调用了 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，因此返回结果是第一个 li 节点的所有祖先节点，包括 html、body、div 和 ul。

第二次选择时，我们又加了限定条件，这次在冒号后面加了 div，这样得到的结果就只有 div 这个祖先节点了。

第三次选择时，我们调用了 attribute 轴，可以获取所有属性值，其后跟的选择器还是 *，这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，我们调用了 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，我们调用了 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，所以返回的结果只包含 span 节点而不包含 a 节点。

第六次选择时，我们调用了 following 轴，可以获取当前节点以及其内部的所有节点。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，我们调用了 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，所以获取了所有后续同级节点。

以上是 XPath 轴的简单用法，更多轴的用法可以参考：http://www.w3school.com.cn/xpath/xpath_axes.asp。