更简单高效的HTML数据提取-Xpath

XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。

相比于BeautifulSoup，Xpath在提取数据时会更加的方便。

---

安装

在Python中很多库都有提供Xpath的功能，但是最基本的还是lxml这个库，效率最高。在之前BeautifulSoup章节中我们也介绍到了lxml是如何安装的。

pip install lxml

---

语法

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

我们将用以下的HTML文档来进行演示：

html_doc = '''<html>
​
<head></head>
​
<body>
    <bookstore>
​
        <book category="COOKING">
            <title lang="en">Everyday Italian</title>
            <author>Giada De Laurentiis</author>
            <year>2005</year>
            <price>30.00</price>
        </book>
​
        <book category="CHILDREN">
            <title lang="en">Harry Potter</title>
            <author>J K. Rowling</author>
            <year>2005</year>
            <price>29.99</price>
        </book>
​
        <book category="WEB">
            <title lang="en">XQuery Kick Start</title>
            <author>James McGovern</author>
            <author>Per Bothner</author>
            <author>Kurt Cagle</author>
            <author>James Linn</author>
            <author>Vaidyanathan Nagarajan</author>
            <year>2003</year>
            <price>49.99</price>
        </book>
​
        <book category="WEB">
            <title lang="en">Learning XML</title>
            <author>Erik T. Ray</author>
            <year>2003</year>            <price>39.95</price>        </book>​    </bookstore></body>​</html>'''

from lxml import etree
​
page = etree.HTML(html_doc)

---

路径查找

表达式	描述
nodename	选取此节点的子节点。
/	从当前根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

• 查找当前节点的子节点

  In [1]: page.xpath('head')
  Out[1]: [<Element head at 0x111c74c48>]

• 从根节点进行查找

  In [2]: page.xpath('/html')
  Out[2]: [<Element html at 0x11208be88>]

• 从整个文档中所有节点查找

  In [3]: page.xpath('//book')
  Out[3]:
  [<Element book at 0x1128c02c8>,
   <Element book at 0x111c74108>,
   <Element book at 0x111fd2288>,
   <Element book at 0x1128da348>]

• 选取当前节点的父节点

  In [4]: page.xpath('//book')[0].xpath('..')
  Out[4]: [<Element bookstore at 0x1128c0ac8>]

• 选取属性

  In [5]: page.xpath('//book')[0].xpath('@category')
  Out[5]: ['COOKING']

---

节点查找

表达式	结果
nodename[1]	选取第一个元素。
nodename[last()]	选取最后一个元素。
nodename[last()-1]	选取倒数第二个元素。
nodename[position()<3]	选取前两个子元素。
nodename[@lang]	选取拥有名为 lang 的属性的元素。
nodename[@lang='eng']	选取拥有lang属性，且值为 eng 的元素。

• 选取第二个book元素

  In [1]: page.xpath('//book[2]/@category')
  Out[1]: ['CHILDREN']

• 选取倒数第三个book元素

  In [2]: page.xpath('//book[last()-2]/@category')
  Out[2]: ['CHILDREN']

• 选取第二个元素开始的所有元素

  In [3]: page.xpath('//book[position() > 1]/@category')
  Out[3]: ['CHILDREN', 'WEB', 'WEB']

• 选取category属性为WEB的的元素

  In [4]: page.xpath('//book[@category="WEB"]/@category')
  Out[4]: ['WEB', 'WEB']

---

未知节点

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。

• 匹配第一个book元素下的所有元素

  In [1]: page.xpath('//book[1]/*')
  Out[1]:
  [<Element title at 0x111f76788>,
   <Element author at 0x111f76188>,
   <Element year at 0x1128c1a88>,
   <Element price at 0x1128c1cc8>]

---

获取节点中的文本

• 用text()获取某个节点下的文本

  In [1]: page.xpath('//book[1]/author/text()')
  Out[1]: ['Giada De Laurentiis']

  如果这个节点下有多个文本，则只能取到一段。

• 用string()获取某个节点下所有的文本

  In [2]: page.xpath('string(//book[1])')
  Out[2]: '\n            Everyday Italian\n            Giada De Laurentiis\n            2005\n            30.00\n        '

---

选取多个路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

In [1]: page.xpath('//book[1]/title/text() | //book[1]/author/text()')
Out[1]: ['Everyday Italian', 'Giada De Laurentiis']