Python爬虫利器三之Xpath语法与lxml库的用法

比眉伴天荒 2022-05-31 13:53 336阅读 0赞

## 前言 ##

前面我们介绍了 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath。

## 参考来源 ##

lxml用法源自 lxml python 官方文档，更多内容请直接参阅官方文档，本文对其进行翻译与整理。

[lxml官方参考地址][lxml]

XPath语法参考 w3school

[w3school官方参考地址][w3school]

## 安装 ##

pip install lxml

## XPath语法 ##

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

## 节点关系 ##

（1）父（Parent）

每个元素以及属性都有一个父。

在下面的例子中，book 元素是 title、author、year 以及 price 元素的父：

<book>
      <title>Harry Potter</title>
      <author>J K. Rowling</author>
      <year>2005</year>
      <price>29.99</price>
    </book>

2）子（Children）

元素节点可有零个、一个或多个子。

在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子：

<book>
      <title>Harry Potter</title>
      <author>J K. Rowling</author>
      <year>2005</year>
      <price>29.99</price>
    </book>

3）同胞（Sibling）

拥有相同的父的节点

在下面的例子中，title、author、year 以及 price 元素都是同胞：

<book>
      <title>Harry Potter</title>
      <author>J K. Rowling</author>
      <year>2005</year>
      <price>29.99</price>
    </book>

（4）先辈（Ancestor）

某节点的父、父的父，等等。

在下面的例子中，title 元素的先辈是 book 元素和 bookstore 元素：

<bookstore>
    
    <book>
      <title>Harry Potter</title>
      <author>J K. Rowling</author>
      <year>2005</year>
      <price>29.99</price>
    </book>
    
    </bookstore>

（5）后代（Descendant）

某个节点的子，子的子，等等。

在下面的例子中，bookstore 的后代是 book、title、author、year 以及 price 元素：

<bookstore>
    
    <book>
      <title>Harry Potter</title>
      <author>J K. Rowling</author>
      <year>2005</year>
      <price>29.99</price>
    </book>
    
    </bookstore>

### 选取节点 ###

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。

下面列出了最有用的路径表达式：

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>/</td> 
   <td>从根节点选取。</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>.</td> 
   <td>选取当前节点。</td> 
  </tr> 
  <tr> 
   <td>.. 选取当前节点的父节点。</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>@</td> 
   <td>选取属性。</td> 
  </tr> 
 </tbody> 
</table>

实例

在下面的表格中，我们已列出了一些路径表达式以及表达式的结果:

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>/bookstore</td> 
   <td>选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book</td> 
   <td>选取属于 bookstore 的子元素的所有 book 元素。</td> 
  </tr> 
  <tr> 
   <td>//book</td> 
   <td>选取所有 book 子元素，而不管它们在文档中的位置。</td> 
  </tr> 
  <tr> 
   <td>/bookstore//book</td> 
   <td>选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。</td> 
  </tr> 
  <tr> 
   <td>//@lang</td> 
   <td>选取名为 lang 的所有属性。</td> 
  </tr> 
 </tbody> 
</table>

### 谓语（Predicates） ###

谓语用来查找某个特定的节点或者包含某个指定的值的节点。

谓语被嵌在方括号中。

实例

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>/bookstore/book[1]</td> 
   <td>选取属于 bookstore 子元素的第一个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[last()]</td> 
   <td>选取属于 bookstore 子元素的最后一个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[last()-1]</td> 
   <td>选取属于 bookstore 子元素的倒数第二个 book 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[position()&lt;3]</td> 
   <td>选取最前面的两个属于 bookstore 元素的子元素的 book 元素。</td> 
  </tr> 
  <tr> 
   <td>//title[@lang]</td> 
   <td>选取所有拥有名为 lang 的属性的 title 元素。</td> 
  </tr> 
  <tr> 
   <td>//title[@lang=’eng’]</td> 
   <td>选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[price&gt;35.00]</td> 
   <td>选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book[price&gt;35.00]/title</td> 
   <td>选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。</td> 
  </tr> 
 </tbody> 
</table>

### 选取未知节点 ###

XPath 通配符可用来选取未知的 XML 元素。

<table> 
 <thead> 
  <tr> 
   <th>通配符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>*</td> 
   <td>匹配任何元素节点。</td> 
  </tr> 
  <tr> 
   <td>@*</td> 
   <td>匹配任何属性节点。</td> 
  </tr> 
  <tr> 
   <td>node()</td> 
   <td>匹配任何类型的节点。</td> 
  </tr> 
 </tbody> 
</table>

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>/bookstore/*</td> 
   <td>选取 bookstore 元素的所有子元素。</td> 
  </tr> 
  <tr> 
   <td>//*</td> 
   <td>选取文档中的所有元素。</td> 
  </tr> 
  <tr> 
   <td>//title[@*]</td> 
   <td>选取所有带有属性的 title 元素。</td> 
  </tr> 
 </tbody> 
</table>

### 选取若干路径 ###

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>//book/title | //book/price</td> 
   <td>选取 book 元素的所有 title 和 price 元素。</td> 
  </tr> 
  <tr> 
   <td>//title | //price</td> 
   <td>选取文档中的所有 title 和 price 元素。</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book/title | //price</td> 
   <td>选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。</td> 
  </tr> 
 </tbody> 
</table>

### XPath 运算符 ###

下面列出了可用在 XPath 表达式中的运算符：

<table> 
 <thead> 
  <tr> 
   <th>运算符</th> 
   <th>描述</th> 
   <th>实例</th> 
   <th>返回值</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>|</td> 
   <td>计算两个节点集</td> 
   <td>//book | //cd</td> 
   <td>返回所有拥有 book 和 cd 元素的节点集</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td>加法</td> 
   <td>6 + 4</td> 
   <td>10</td> 
  </tr> 
  <tr> 
   <td>–</td> 
   <td>减法</td> 
   <td>6 – 4</td> 
   <td>2</td> 
  </tr> 
  <tr> 
   <td>*</td> 
   <td>乘法</td> 
   <td>6 * 4</td> 
   <td>24</td> 
  </tr> 
  <tr> 
   <td>div</td> 
   <td>除法</td> 
   <td>8 div 4</td> 
   <td>2</td> 
  </tr> 
  <tr> 
   <td>=</td> 
   <td>等于</td> 
   <td>price=9.80</td> 
   <td>如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。</td> 
  </tr> 
  <tr> 
   <td>!=</td> 
   <td>不等于</td> 
   <td>price!=9.80</td> 
   <td>如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。</td> 
  </tr> 
  <tr> 
   <td>&lt;</td> 
   <td>小于</td> 
   <td>price&lt;9.80</td> 
   <td>如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。</td> 
  </tr> 
  <tr> 
   <td>&lt;=</td> 
   <td>小于或等于</td> 
   <td>price&lt;=9.80 如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td><code>&gt;</code></td> 
   <td>大于</td> 
   <td>price&gt;9.80</td> 
   <td>如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。</td> 
  </tr> 
  <tr> 
   <td><code>&gt;=</code></td> 
   <td>大于或等于</td> 
   <td>price&gt;=9.80</td> 
   <td>如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。</td> 
  </tr> 
  <tr> 
   <td>or</td> 
   <td>或</td> 
   <td>price=9.80 or price=9.70</td> 
   <td>如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。</td> 
  </tr> 
  <tr> 
   <td>and</td> 
   <td>与</td> 
   <td>price&gt;9.00 and price&lt;9.90</td> 
   <td>如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。</td> 
  </tr> 
  <tr> 
   <td>mod</td> 
   <td>计算除法的余数</td> 
   <td>5 mod 2</td> 
   <td>1</td> 
  </tr> 
 </tbody> 
</table>

## lxml用法 ##

### 初步使用 ###

首先我们利用它来解析 HTML 代码，先来一个小例子来感受一下它的基本用法。

from lxml import etree
    text = '''
    <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>
    '''
    html = etree.HTML(text)
    result = etree.tostring(html)
    print(result)

首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。

其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。

所以输出结果是这样的:

<html><body>
    <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></li>
    </ul>
     </div>
    
    </body></html>

不仅补全了 li 标签，还添加了 body，html 标签。

### 文件读取 ###

除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为:

<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"><span class="bold">third item</span></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></li>
         </ul>
     </div>

利用 parse 方法来读取文件。

from lxml import etree
    html = etree.parse('hello.html')
    result = etree.tostring(html, pretty_print=True)
    print(result)

同样可以得到相同的结果。

### XPath实例测试 ###

依然以上一段程序为例

（1）获取所有的 `<li>` 标签

from lxml import etree
    html = etree.parse('hello.html')
    print type(html)
    result = html.xpath('//li')
    print result
    print len(result)
    print type(result)
    print type(result[0])

运行结果

可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个 `<li>` 元素，每个元素都是 Element 类型

（2）获取 `<li>` 标签的所有 class

result = html.xpath('//li/@class')
    print result

运行结果

['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

（3）获取 `<li>` 标签下 href 为 link1.html 的 `<a>` 标签

result = html.xpath('//li/a[@href="link1.html"]')
    print result

运行结果

[<Element a at 0x10ffaae18>]

（4）获取 `<li>` 标签下的所有 `<span>` 标签

注意这么写是不对的