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

scrapy框架之shell
scrapy shell scrapy shell是一个交互式shell,您可以在其中快速调试 scrape 代码,而不必运行spider.它本来是用来测试数据提取代码的,但实际上您可以使用它来测试任 ...
Shell基础之四变量与运算
shell变量与运算变量存在于内存中.假设变量str,设置或修改变量属性时,不带$号,只有引用变量的值时才使用$号.也就是说在内存中,标记变量的变量名称是str,而不是$str. 变量数据的存储方式 ...
Qt：使用Model-View，动态的加载显示数据
共有 main.cpp, Widget.h, Widget.cpp, Widget.ui, MyModel.h, MyModel.cpp 六个文件. 可从此下载整个工程文件: /Files/biao/ ...
git如何压栈某一个文件？
答: 使用git stash -p进行交互式操作,y表示压栈,n表示不压栈
kotlin异常类
kotlin中所有的错误异常类都是throwable的自雷,没各一次都能带有一个错误消息,调用堆栈,以及可选的错误原因,要抛出异常,可以使用throw表达式 throw myException(&qu ...
[Java读书笔记] Effective Java(Third Edition) 第 5 章泛型
第 26 条:请不要使用原生态类型声明中具有一个或多个类型参数的类或者接口,就是泛型(generic). 例如List接口只有单个类型参数E, 表示列表的元素类型.这个接口全称List<E&g ...
19.网络插件calico
19.网络插件calico 官网: https://docs.projectcalico.org/v3.8/introduction/ calico默认工作在192.168.0.0/16 的网络 ca ...
18.flannel
18.flannel docker有四种常用网络 bridge joined opended 直接共享使用节点的网络名称空间 none k8s网络通信: 容器间的通信: 同一个Pod内的多个容器之间通 ...
001-log-log体系-log4j、jul、jcl、slf4j，日志乱象的归纳与统一
一.概述 log4j→jul→jcl→slf4j之后就开始百花齐放[slf4j适配兼容新老用户] 1.1.log4j阶段在JDK出现后,到JDK1.4之前,常用的日志框架是apache的log4j. ...
西湖论剑2019部分writeup
做了一天水了几道题发现自己比较菜,mfc最后也没怼出来,被自己菜哭 easycpp c++的stl算法,先读入一个数组,再产生一个斐波拉契数列数组 main::{lambda(int)#1}::ope ...