Xpath

文章参考：https://www.cnblogs.com/mxjhaima/p/13775844.html#案例

安装

pip install lxml

引用

from lxml import etree

获取文档树对象

通过Xpath 获取文档的对象，获取到对象后，可以通过文档的对象去去获取到树中的元素。

文本转化文档树对象

def strToEleObj():

    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>

          '''

    # 把文本转换成一个文档树对象

    html = etree.HTML(doc)

    result = etree.tostring(html)

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

文件转化文档树对象

def fileToEleObj():

    # 读取外部文件 index.html

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

    # pretty_print=True 会格式化输出

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

    print(result)

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

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

示例

from lxml import etree

'''

    路径表达式

'''

def get_el_list():

    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>

              '''

    # 把文本转换成一个文档树对象

    html = etree.HTML(doc)

    # 获取当前节点

    print('获取当前节点---> ', html.xpath('.'))

    # 获取 根节点 标签 ,当前元素无根节点 通过 打印 etree.tostring(html) ,会发现根节点为 <html> </html> 包裹的内容 ，上一行获取的当前节点为 html

    print('获取 根节点 标签---> ', html.xpath('/'))

    # 获取 li 标签

    print('获取 li 标签---> ', html.xpath('//li'))

    # 获取 li 下的 a 标签属性

    print('获取li下的 a 标签属性----> ', html.xpath('//li/a/@href'))

    # 获取 p 标签 ,此标签不存在 返回结果为空数组

    print('获取 p 标签----> ', html.xpath('//p '))

输出结果

获取当前节点--->  [<Element html at 0x2a989854200>]

获取 根节点 标签--->  []

获取 li 标签--->  [<Element li at 0x2a9898ece40>, <Element li at 0x2a9899240c0>, <Element li at 0x2a989924180>, <Element li at 0x2a9899241c0>, <Element li at 0x2a989924200>]

获取li下的 a 标签属性---->  ['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

获取 p 标签---->  []

说明

  1. 将doc 转换成 文档对象后，为 包裹的内容；故获取到的当前的节点对象为HTML；
  2. 当前节点为HTML，无根节点故返回为空数组即：[]；
  3. 查询不存在的节点时，返回空数组即：[]

通配符

*   任意元素

@*  任意属性

node()  任意子节点（元素，属性，内容)

示例



'''

    通配符

'''

from lxml import etree

def get_el_by_anyChar():

    doc = '''

              <div>

                  <ul class="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>

              '''

    # 把文本转换成一个文档树对象

    html = etree.HTML(doc)

    # 获取 ul 下的所有子节点

    print('获取 ul 下的所有子节点---> ', html.xpath('//ul/node()'))

    # 获取 任意元素[所有的]

    print('获取 ul 下 任意元素[所有的]---> ', html.xpath('//ul/*'))

    # 获取 任意属性 [所有的]

    print('获取 ul 下 任意属性[所有的]---> ', html.xpath('//ul/@*'))

输出结果

获取 ul 下的所有子节点--->  ['\n                       ', <Element li at 0x1d4792b5e80>, '\n                       ', <Element li at 0x1d4792b5e00>, '\n                       ', <Element li at 0x1d4792b5f00>, '\n                       ', <Element li at 0x1d4792b5f40>, '\n                       ', <Element li at 0x1d4792b5ec0>, ' 闭合标签\n                   ']

获取 任意元素--->  [<Element li at 0x1d47928dd80>, <Element li at 0x1d4792b5e80>, <Element li at 0x1d4792b5fc0>, <Element li at 0x1d4792b5e00>, <Element li at 0x1d4792b5f00>]

获取 任意属性--->  ['ul']

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

示例

from lxml import etree

def get_el_by_wei():

    doc = '''

                  <div>

                      <ul class="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>

                  '''

    # 把文本转换成一个文档树对象

    html = etree.HTML(doc)

    # 获取第一个 li / a 元素 里面的文本

    print('获取第一个 ---> ', html.xpath('//li[1]/a/text()'))

    # 获取最后一个 li / a 元素 里面的文本

    print('获取最后一个 ---> ', html.xpath('//li[last()]/a/text()'))

    # 获取倒数第二个 li / a元素 里面的文本

    print('获取 倒数第二个---> ', html.xpath('//li[last()-1]/a/text()'))

    # 获取位置序号小于3，也就是前两个 li / a元素 里面的文本

    print('获取位置序号小于3 ---> ', html.xpath('//li[position()<3]/a/text()'))

    # 获取拥有href的<a>元素下的文本

    print('获取第一个 ---> ', html.xpath('//a[@href]/text()'))

    # 获取 a 标签下 href = link3.html的a元素下的文本 注意 不是 == 而是 =

    print('获取 a 标签下 href = link3.html的<a>元素---> ', html.xpath('//a[@href="link3.html"]/text()'))

    # 获取 ul class == ul 的

    print('获取 ul class == ul  ---> ', html.xpath('//ul[@class="ul"]'))

多个路径

用| 连接两个表达式，可以进行 或匹配

//book/title | //book/price

示例

from lxml import etree

def get_el_mutil_path():

    doc = '''

                  <div>

                      <ul class="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>

                  '''

    # 把文本转换成一个文档树对象

    html = etree.HTML(doc)

    # 获取li 下 class = item-inactive 或者 item-1

    print('获取li 下 class = item-inactive 或者 item-1 ---> ', html.xpath('//li[@class="item-inactive"] | //li[@class="item-1"] '))

输出结果

获取li 下 class = item-inactive 或者 item-1 --->  [<Element li at 0x1b490955f40>, <Element li at 0x1b490966200>, <Element li at 0x1b490966180>]

函数

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

contains(string1,string2)

starts-with(string1,string2)

# 文本

text()

# 最后一个

last()

# 位置

position()

# 回去所有节点

node()


'''

    函数

'''

from lxml import etree

def get_el_func():

    doc = '''

                     <div>

                         <ul class="ul" >

                              <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>

                     '''

    # 把文本转换成一个文档树对象

    html = etree.HTML(doc)

    # 匹配 class 包含 active 的 元素

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

    # 获取所有 li / a 文本

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

    # 获取最后一个 li / a 文本

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

    # 获取位置为1的li /a 文本 ，节点时从1开始 而不是0

    print(html.xpath("//li[position()=1]/a/text()"))

输出结果

[<Element li at 0x23ea36d0400>, <Element li at 0x23ea36d0180>]

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

[' # 注意，此处缺少一个 ']

['first item']

实战信息

获取某电影网站电影名称、简单描述、图片

import requests

from lxml import etree

'''

     获取电影信息列表

'''

def get_moive_info_list(url):

        # 定义头部信息

        headers = {

                'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36'

        }

        res = requests.get(url, headers=headers)

        # res.text 返回的是 文本

        html = res.text

        print('输出响应信息->',html)

        # 将文本转换成文档对象

        selector = etree.HTML(html)

        # 返回是电影名列表

        title_list = selector.xpath('//a[@class="pic-pack-outer"]/h3/text()')

        print('电影名称列表:',title_list)

        # 获取简单描述

        desc_list = selector.xpath('//a[@class="pic-pack-outer"]/p/text()')

        print('电影名称简单描述:', desc_list)

        # 图片

        img_list = selector.xpath('//a[@class="pic-pack-outer"]/img/@src')

        print('图片列表:', img_list)

if __name__ == '__main__':

        url = 'https://xxxxxxx/vod/list/n_1_t_25/o1p1.html'

        get_moive_info_list(url)

输出结果

输出响应信息-> <!DOCTYPE html>

·······

</body>

</html>

电影名称列表: ['辣妈犟爸', '五月梨花香', '岁岁平安',.....]

电影名称简单描述: ['年轻村官奋斗历程', '脱贫致富振兴家乡', .....]

图片列表: ['https://image11.m1905.cn/uploadfile/2022/0804/thumb_1_150_203_20220804094442559303.jpg',  .... 'https://image11.m1905.cn/uploadfile/2016/0926/thumb_1_150_85_20160926105222739343.jpg']

【Python】爬虫-Xpath的更多相关文章

  1. python爬虫xpath的语法

    有朋友问我正则,,okey,其实我的正则也不好,但是python下xpath是相对较简单的 简单了解一下xpath: XPath 是一门在 XML 文档中查找信息的语言.XPath 可用来在 XML ...

  2. python爬虫xpath

    又是一个大晴天,因为马上要召开十九大,北京地铁就额外的拥挤,人贴人到爆炸,还好我常年挤地铁早已练成了轻功水上漂,挤地铁早已经不在话下. 励志成为一名高级测试工程师的我,目前还只是个菜鸟,难得有机会,公 ...

  3. Python爬虫 XPath语法和lxml模块

    XPath语法和lxml模块 什么是XPath? xpath(XML Path Language)是一门在XML和HTML文档中查找信息的语言,可用来在XML和HTML文档中对元素和属性进行遍历. X ...

  4. python爬虫----XPath

    1.知道本节点元素,如何定位到兄弟元素 详情见博客 XML代码见下 bt1在文档中只出现一次,所以很容易获取到bt1中内容,那怎么根据<td class='bt1'>来获取bt2中的内容 ...

  5. Python爬虫 | xpath的安装

    错误信息:程序包无效.详细信息:“Cannot load extension with file or directory name . Filenames starting with "& ...

  6. python爬虫前提技术

    1.BeautifulSoup 解析html如何使用 转自:http://blog.csdn.net/u013372487/article/details/51734047 #!/usr/bin/py ...

  7. Python爬虫与数据分析之爬虫技能：urlib库、xpath选择器、正则表达式

    专栏目录: Python爬虫与数据分析之python教学视频.python源码分享,python Python爬虫与数据分析之基础教程:Python的语法.字典.元组.列表 Python爬虫与数据分析 ...

  8. python爬虫的页面数据解析和提取/xpath/bs4/jsonpath/正则(1)

    一.数据类型及解析方式 一般来讲对我们而言,需要抓取的是某个网站或者某个应用的内容,提取有用的价值.内容一般分为两部分,非结构化的数据 和 结构化的数据. 非结构化数据:先有数据,再有结构, 结构化数 ...

  9. Python爬虫教程-22-lxml-etree和xpath配合使用

    Python爬虫教程-22-lxml-etree和xpath配合使用 lxml:python 的HTML/XML的解析器 官网文档:https://lxml.de/ 使用前,需要安装安 lxml 包 ...

  10. 小白学 Python 爬虫（19）：Xpath 基操

    人生苦短,我用 Python 前文传送门: 小白学 Python 爬虫(1):开篇 小白学 Python 爬虫(2):前置准备(一)基本类库的安装 小白学 Python 爬虫(3):前置准备(二)Li ...

随机推荐

  1. 从零开始学Vue（一）—— Vue.js 入门

    概述 vue.js作为现在笔记热门的JS框架,使用比较简单易上手,也成为很多公司首选的JS框架. 但是对于初学者可能学起来有些麻烦,所以推出<从零开始学Vue>系列博客,本系列计划推出19 ...

  2. memcache 安装及操作

    memcache安装文件下载 http://pan.baidu.com/s/1hqRdW1Y 一 安装篇 1. 下载memcache的windows稳定版,解压放某个盘下面,比如在c:/memcach ...

  3. 最好用的.NET敏捷开发框架-RDIFramework.NET V3.6版全新发布 100%源码授权

    RDIFramework.NET,基于.NET的快速信息化系统敏捷开发框架.10年沉淀.历经上千项目检验,致力于企业智能化开发,帮助提升软件开发效率.最好用的.NET开发框架,100%源码授权. 1. ...

  4. python_7 退出、结束循环和嵌套循环

    一.查缺补漏 1. end=' 任意值 ' 表示换行,任意值会显示在换行前,不写默认换行 2. input() 用户键盘输入 默认输入str类型,如要和int类型比较需要强制类型转换二.退出.结束循环 ...

  5. vue路由的两种方式（路由传参）

    query和params区别 query类似 get, 跳转之后页面 url后面会拼接参数,类似?id=1, 非重要性的可以这样传, 密码之类还是用params刷新页面id还在 params类似 po ...

  6. Html 设置标题栏顶部固定

    如何设置标题栏一直置顶固定显示? 只需要给标题栏所在的容器,以下设置:   position: fixed;   top: 0px;   left: 0px;   width: 100%; 位置固定在 ...

  7. NC19427 换个角度思考

    题目链接 题目 题目描述 给定一个序列,有多次询问,每次查询区间里小于等于某个数的元素的个数 即对于询问 \((l,r,x)\) ,你需要输出 \(\sum_{i=l}^{r}[a_i \le x]\ ...

  8. 【解决方法】白嫖利用WPS自带C盘清理大师，清理C盘空间，自测清理19.5G空间，太感人了！

    环境: 工具:WPS-WPS清理大师 系统版本:Windows 10 问题描述: 描述:本人C盘常年不足10G,也用过一些其他的清理工具,但是也不懂,不敢乱删除东西.一直得过且过. 由于C盘中有很多的 ...

  9. 【OpenAI】私有框架代码生成实践

    作者:京东零售 牛晓光 根据现有调研和实践,由OpenAI提供的ChatGPT/GPT-4模型和CodeX模型能够很好的理解和生成业界大多数编程语言的逻辑和代码,其中尤其擅长Python.JavaSc ...

  10. 2021-12-09：二叉树展开为链表。 给你二叉树的根结点 root ，请你将它展开为一个单链表： 展开后的单链表应该同样使用 TreeNode ，其中 right 子指针指向链表中下一个结点，而左

    2021-12-09:二叉树展开为链表. 给你二叉树的根结点 root ,请你将它展开为一个单链表: 展开后的单链表应该同样使用 TreeNode ,其中 right 子指针指向链表中下一个结点,而左 ...