09-XPath 语言-python爬虫

水深无声 2022-09-13 05:17 190阅读 0赞

辅助视频教程：[Python基础教程|xin3721自学网ul li id=itemtitlePython3 从入门到精通视频教程/li /ul ul li class=description Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，![icon-default.png?t=L892][icon-default.png_t_L892]/images/20220828/e4ffb0be25294f85b54da85014ba2745.png][Python_xin3721_ul li id_itemtitlePython3 _li _ul ul li class_description Python_shell_icon-default.png_t_L892_icon-default.png_t_L892_https_www.xin3721.com_eschool_pythonxin3721]

# XPath 语言 #

XPath（XML Path Language）是XML路径语言,它是一种用来定位XML文档中某部分位置的语言。

### **学习目的** ###

**将HTML转换成XML文档之后，用XPath查找HTML节点或元素**

比如用“/”来作为上下层级间的分隔，第一个“/”表示文档的根节点（注意，不是指文档最外层的tag节点，而是指文档本身）。

比如对于一个HTML文件来说，最外层的节点应该是"/html"。

### **XPath开发工具** ###

*  开源的XPath表达式编辑工具:XMLQuire(XML格式文件可用)
 *  chrome插件 XPath Helper
 *  直接在console 里面输入 $x("xpath选择器")

![image][]

*  firefox插件 XPath Checker

![image][image 1]

XPath语法参考文档：

[XPath 教程][XPath]

### **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。**

<?xml version="1.0" encoding="ISO-8859-1"?><bookstore><book>  <title lang="eng">Harry Potter</title>  <price>29.99</price></book><book>  <title lang="eng">Learning XML</title>  <price>39.95</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>nodename</td> 
   <td>选取此节点的<strong>所有子节点</strong>。</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>从当前节点 选择&nbsp;<strong>所有匹配</strong>文档中的节点</td> 
  </tr> 
  <tr> 
   <td>.</td> 
   <td>选取当前节点。</td> 
  </tr> 
  <tr> 
   <td>..</td> 
   <td>选取当前节点的父节点。</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</td> 
   <td>选取 bookstore 元素的所有子节点。默认从根节点选取</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>//book/./title</td> 
   <td>选取所有 book 子元素，从当前节点查找title节点</td> 
  </tr> 
  <tr> 
   <td>//price/..</td> 
   <td>选取所有 book 子元素，从当前节点查找父节点</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>

![image][image 2]

谓语条件（Predicates）

*  谓语用来查找**某个特定的信息**或者**包含某个指定的值**的节点。
 *  所谓"谓语条件"，就是对路径表达式的附加条件
 *  谓语是**被嵌在方括号**中，都写在方括号"\[\]"中，表示对节点进行进一步的筛选。

> **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()❤️]</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>//book[price]</td> 
   <td>选取所有 book 元素，且被选中的book元素必须带有price子元素</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>

![image][image 3]

**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> 
 </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</td> 
   <td>//book/price</td> 
  </tr> 
  <tr> 
   <td>//title</td> 
   <td>//price</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book/title</td> 
   <td>//price</td> 
  </tr> 
 </tbody> 
</table>

### **XPath 高级用法** ###

*  **模糊查询 contains**

目前许多web框架，都是动态生成界面的元素id，因此在每次操作相同界面时，ID都是变化的，这样为自动化测试造成了一定的影响。

解决方法使用xpath的匹配功能，`//input[contains(@id,'nt')]`

*  **测试使用的XML**

<Root>
        <Person ID="1001" >
            <Name lang="zh-cn" >张城斌</Name>
            <Email xmlns="www.quicklearn.cn" > cbcye@live.com </Email>          
            <Blog>http://cbcye.cnblogs.com</Blog>
        </Person>
        <Person ID="1002" >
           <Name lang="en" >Gary Zhang</Name>
          <Email xmlns="www.quicklearn.cn" > GaryZhang@cbcye.com</Email>    
           <Blog>http://www.quicklearn.cn</Blog>
        </Person>
    </Root>

*  查询所有Blog节点值中带有 cn 字符串的Person节点Xpath表达式：

/Root//Person[contains(Blog,'cn')]

查询所有Blog节点值中带有 cn 字符串并且属性ID值中有01的Person节点

Xpath表达式：

/Root//Person[contains(Blog,'cn') and contains(@ID,'01')]

# **学习笔记** #

**1.依靠自己的属性，文本定位**

//td[text()='Data Import']//div[contains(@class,'cux-rightArrowIcon-on')]//a[text()='马上注册']//input[@type='radio' and @value='1']    
     多条件
    //span[@name='bruce'][text()='bruce1'][1]   
    多条件
    //span[@id='bruce1' or text()='bruce2']  
    找出多个
    //span[text()='bruce1' and text()='bruce2']

**2.依靠父节点定位**

//div[@class='x-grid-col-name x-grid-cell-inner']/div//div[@id='dynamicGridTestInstanceformclearuxformdiv']/div//div[@id='test']/input

**3.依靠子节点定位**

//div[div[@id='navigation']]
    //div[div[@name='listType']]
    //div[p[@name='testname']]

**4.混合型**

//div[div[@name='listType']]
    //img
    //td[a/font[contains(text(),'seleleium2从零开始 视屏')]]
    //input[@type='checkbox']

**5.进阶部分**

//input[@id='123']/following-sibling::input   
    找下一个兄弟节点
    
    //input[@id='123']/preceding-sibling::span    
    上一个兄弟节点
    
    //input[starts-with(@id,'123')]               
    以什么开头
    
    //span[not(contains(text(),'xpath')）]        
    不包含xpath字段的span

**6.索引**

//div/input[2]
    //div[@id='position']/span[3]
    //div[@id='position']/span[position()=3]
    //div[@id='position']/span[position()>3]
    //div[@id='position']/span[position()<3]
    //div[@id='position']/span[last()]
    //div[@id='position']/span[last()-1]

**7.substring 截取判断**

<div data-for="result" id="swfEveryCookieWrap"></div>
    //*[substring(@id,4,5)='Every']/@id  截取该属性 定位3,取长度5的字符
    //*[substring(@id,4)='EveryCookieWrap']  截取该属性从定位3 到最后的字符
    //*[substring-before(@id,'C')='swfEvery']/@id   属性 'C'之前的字符匹配
    //*[substring-after(@id,'C')='ookieWrap']/@id   属性'C之后的字符匹配

**8.通配符**\*

//span[@*='bruce']
    //*[@name='bruce']

**9.轴**

//div[span[text()='+++current node']]/parent::div    
    找父节点
    
    //div[span[text()='+++current node']]/ancestor::div    
    找祖先节点

**10.孙子节点**

//div[span[text()='current note']]/descendant::div/span[text()='123']
    //div[span[text()='current note']]
    //div/span[text()='123']         
     两个表达的意思一样

**11.following pre**

// span[@class="fk fk_cur"]/../following::a       
    往下的所有a
    
    // span[@class="fk fk_cur"]/../preceding::a[1]    
    往上的所有a

### **xpath提取多个标签下的text** ###

在写爬虫的时候，经常会使用xpath进行数据的提取，对于如下的代码：

使用xpath提取是非常方便的。假设网页的源代码在selector中：

data = selector.xpath('//div[@id="test1"]/text()').extract()[0]

就可以把“大家好！”提取到data变量中去。

然而如果遇到下面这段代码呢？

<div id="test2">美女，<font color=red>你的微信是多少？</font><div>

如果使用：

data = selector.xpath('//div[@id="test2"]/text()').extract()[0]

只能提取到“美女，”；

如果使用：

data = selector.xpath('//div[@id="test2"]/font/text()').extract()[0]

又只能提取到“你的微信是多少？”

**可是我本意是想把“美女，你的微信是多少？”这一整个句子提取出来。**

<div id="test3">
        我左青龙，
        <span id="tiger">右白虎，
        <ul>上朱雀，
            <li>下玄武。</li>
        </ul>老牛在当中，</span>
            龙头在胸口。
    <div>

而且内部的标签还不固定，如果我有一百段这样类似的html代码，又如何使用xpath表达式，以最快最方便的方式提取出来？

**使用xpath的string(.)**

以第三段代码为例：

data = selector.xpath('//div[@id="test3"]')
    info = data.xpath('string(.)').extract()[0]

这样，就可以把“我左青龙，右白虎，上朱雀，下玄武。老牛在当中，龙头在胸口”整个句子提取出来，赋值给info变量。

[icon-default.png_t_L892]: https://csdnimg.cn/release/blog_editor_html/release1.9.1/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=L892
[Python_xin3721_ul li id_itemtitlePython3 _li _ul ul li class_description Python_shell_icon-default.png_t_L892_icon-default.png_t_L892_https_www.xin3721.com_eschool_pythonxin3721]: /images/20220828/e4ffb0be25294f85b54da85014ba2745.png
[image]: /images/20220828/b4830ca0d19140838e29a143600698e1.png
[image 1]: /images/20220828/3d273bb25ee5453dbb686ce6637c4aa5.png
[XPath]: http://www.w3school.com.cn/xpath/index.asp
[image 2]: /images/20220828/f8108f9ff079478ba426f05797e3bf00.png
[image 3]: /images/20220828/54f7615eaf41427f82dc7f7382e8bc90.png