Python爬虫-网页数据的解析提取-Xpath

港控/mmm° 2023-10-02 23:39 91阅读 0赞

## 一、初识Xpath ##

XPath 常用规则

<table> 
 <thead> 
  <tr> 
   <th>表　达　式</th> 
   <th>描　　述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>nodename</td> 
   <td>选取此节点的所有子节点</td> 
  </tr> 
  <tr> 
   <td>/</td> 
   <td>从当前节点选取直接子节点</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>从当前节点选取子孙节点</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>

#### 1.实例引入 ####

现在通过实例来感受一下使用 XPath 来对网页进行解析的过程，相关代码如下：

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.decode('utf-8'))

这里首先导入 lxml 库的 etree 模块，然后声明了一段 HTML 文本，调用 HTML 类进行初始化，这样就成功构造了一个 XPath 解析对象。这里需要注意的是，HTML 文本中的最后一个 li 节点是没有闭合的，但是 etree 模块可以自动修正 HTML 文本。

这里我们调用 tostring 方法即可输出修正后的 HTML 代码，但是结果是 bytes 类型。这里利用 decode 方法将其转成 str 类型，结果如下：

<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>

可以看到，经过处理之后，li 节点标签被补全，并且还自动添加了 body、html 节点。

另外，也可以**直接读取文本文件进行解析**，示例如下：

from lxml import etree
    
    html = etree.parse('./test.html', etree.HTMLParser())
    result = etree.tostring(html)
    print(result.decode('utf-8'))

其中 test.html 的内容就是上面例子中的 HTML 代码，内容如下：

<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>

这次的输出结果略有不同，多了一个 DOCTYPE 的声明，不过对解析无任何影响，结果如下：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
    <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>

#### 2.寻找节点 ####

###### 2.1所有节点 ######

我们一般会用 // 开头的 XPath 规则来选取所有符合要求的节点。这里以前面的 HTML 文本为例，如果要选取所有节点，可以这样实现：

from lxml import etree
    html = etree.parse('./test.html', etree.HTMLParser())
    result = html.xpath('//*')
    print(result)

运行结果如下：

[<Element html at 0x10510d9c8>, <Element body at 0x10510da08>, <Element div at 0x10510da48>, <Element ul at 0x10510da88>, <Element li at 0x10510dac8>, <Element a at 0x10510db48>, <Element li at 0x10510db88>, <Element a at 0x10510dbc8>, <Element li at 0x10510dc08>, <Element a at 0x10510db08>, <Element li at 0x10510dc48>, <Element a at 0x10510dc88>, <Element li at 0x10510dcc8>, <Element a at 0x10510dd08>]

这里使用 \* 代表匹配所有节点，也就是整个 HTML 文本中的所有节点都会被获取。可以看到，返回形式是一个列表，每个元素是 Element 类型，其后跟了节点的名称，如 html、body、div、ul、li、a 等，所有节点都包含在列表中了。

当然，此处匹配也可以指定节点名称。如果想获取所有 li 节点，示例如下：

from lxml import etree
    html = etree.parse('./test.html', etree.HTMLParser())
    result = html.xpath('//li')
    print(result)
    print(result[0])

这里要选取所有 li 节点，可以使用 //，然后直接加上节点名称即可，调用时直接使用 xpath 方法即可。

###### 2.2子节点 ######

我们通过 / 或 // 即可查找元素的子节点或子孙节点。假如现在想选择 li 节点的所有直接 a 子节点，可以这样实现：

from lxml import etree
    
    html = etree.parse('./test.html', etree.HTMLParser())
    result = html.xpath('//li/a')
    print(result)

这里通过追加 /a 即选择了所有 li 节点的所有直接 a 子节点。因为 //li 用于选中所有 li 节点，/a 用于选中 li 节点的所有直接子节点 a，二者组合在一起即获取所有 li 节点的所有直接 a 子节点。

###### 2.3父节点 ######

我们知道通过连续的 / 或 // 可以查找子节点或子孙节点，那么假如我们知道了子节点，怎样来查找父节点呢？这可以用… 来实现。

比如，现在首先选中 href 属性为 link4.html 的 a 节点，然后再获取其父节点，然后再获取其 class 属性，相关代码如下：

from lxml import etree  
    
    html = etree.parse('./test.html', etree.HTMLParser())  
    result = html.xpath('//a[@href="link4.html"]/../@class')  
    print(result)

运行结果如下：

['item-1']

说明：定位节点的属性表示：//a\[@href=“link4.html”\]；某个属性的值：@class  
**或者**  
同时，我们也可以通过 parent:: 来获取父节点，代码如下：

from lxml import etree  
    html = etree.parse('./test.html', etree.HTMLParser())  
    result = html.xpath('//a[@href="link4.html"]/parent::*/@class')  
    print(result)

#### 3.属性匹配和属性获取 ####

###### 3.1属性匹配 ######

在选取的时候，我们还可以用 @符号进行属性过滤。比如，这里如果要选取 class 为 item-0 的 li 节点，可以这样实现:

from lxml import etree  
    html = etree.parse('./test.html', etree.HTMLParser())  
    result = html.xpath('//li[@class="item-0"]')  
    print(result)

这里我们通过加入 \[@class=“item-0”\]，限制了节点的 class 属性为 item-0，而 HTML 文本中符合条件的 li 节点有两个，所以结果应该返回两个匹配到的元素。结果如下：

###### 3.2属性获取 ######

我们知道用 text 方法可以获取节点内部文本，那么节点属性该怎样获取呢？其实还是用 @符号就可以。例如，我们想获取所有 li 节点下所有 a 节点的 href 属性，代码如下：

from lxml import etree  
    
    html = etree.parse('./test.html', etree.HTMLParser())  
    result = html.xpath('//li/a/@href')  
    print(result)

运行结果如下：

['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

**以上全部介绍的就是2.3黄线说的事**

#### 4.文本获取 ####

我们用 XPath 中的 text 方法获取节点中的文本，接下来尝试获取前面 li 节点中的文本，相关代码如下：

from lxml import etree  
    
    html = etree.parse('./test.html', etree.HTMLParser())  
    result = html.xpath('//li[@class="item-0"]/text()')  
    print(result)

运行结果如下：

['\n     ']

说明：其中一个节点因为自动修正，li 节点的尾标签添加的时候换行了，所以提取文本得到的唯一结果就是 li 节点的尾标签和 a 节点的尾标签之间的换行符。

因此，如果想获取 li 节点内部的文本，就有两种方式，一种是先选取 a 节点再获取文本，另一种就是使用 //。接下来，我们来看下二者的区别。

首先，选取到 a 节点再获取文本，代码如下：

from lxml import etree  
    html = etree.parse('./test.html', etree.HTMLParser())  
    result = html.xpath('//li[@class="item-0"]/a/text()')  
    print(result)

运行结果如下：

['first item', 'fifth item']

再来看下用另一种方式（即使用 //）选取的结果，代码如下：

from lxml import etree  
    
    html = etree.parse('./test.html', etree.HTMLParser())  
    result = html.xpath('//li[@class="item-0"]//text()')  
    print(result)

运行结果如下：

['first item', 'fifth item', '\n     ']

不出所料，这里的返回结果是 3 个。可想而知，这里是选取所有子孙节点的文本，其中前两个就是 li 的子节点 a 节点内部的文本，另外一个就是最后一个 li 节点内部的文本，即换行符。

#### 5.属性多值匹配和多属性匹配 ####

###### 5.1属性多值匹配 ######

有时候，某些节点的某个属性可能有多个值，例如：

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)

这里 HTML 文本中 li 节点的 class 属性有两个值 li 和 li-first，此时如果还想用之前的属性匹配获取，就无法匹配了，此时的运行结果如下：

[]

这时就需要用 contains 方法了，代码可以改写如下：

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[contains(@class, "li")]/a/text()')  
    print(result)

这样通过 contains 方法，第一个参数传入属性名称，第二个参数传入属性值，只要此属性包含所传入的属性值，就可以完成匹配了。

此时运行结果如下：

['first item']

此种方式在某个节点的某个属性有多个值时经常用到，如某个节点的 class 属性通常有多个。

###### 5.2多属性匹配 ######

另外，我们可能还遇到一种情况，那就是根据多个属性确定一个节点，这时就需要同时匹配多个属性。此时可以使用运算符 and 来连接，示例如下：

from lxml import etree  
    text = '''  
    <li class="li li-first" name="item"><a href="link.html">first item</a></li>
    '''  
    html = etree.HTML(text)  
    result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')  
    print(result)

这里的 li 节点又增加了一个属性 name。要确定这个节点，需要同时根据 class 和 name 属性来选择，一个条件是 class 属性里面包含 li 字符串，另一个条件是 name 属性为 item 字符串，二者需要同时满足，需要用 and 操作符相连，相连之后置于中括号内进行条件筛选。运行结果如下：

['first item']

这里的 and 其实是 XPath 中的运算符。其它运算符见下表

**表格： 运算符及其介绍**

<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>or</td> 
   <td>或</td> 
   <td>age=19 or age=20</td> 
   <td>如果 age 是 19，则返回 true。如果 age 是 21，则返回 false</td> 
  </tr> 
  <tr> 
   <td>and</td> 
   <td>与</td> 
   <td>age&gt;19 and age&lt;21</td> 
   <td>如果 age 是 20，则返回 true。如果 age 是 18，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> 
  <tr> 
   <td></td> 
   <td></td> 
   <td>计算两个节点集</td> 
   <td>//book</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>age=19</td> 
   <td>如果 age 是 19，则返回 true。如果 age 是 20，则返回 false</td> 
  </tr> 
  <tr> 
   <td>!=</td> 
   <td>不等于</td> 
   <td>age!=19</td> 
   <td>如果 age 是 18，则返回 true。如果 age 是 19，则返回 false</td> 
  </tr> 
  <tr> 
   <td>&lt;</td> 
   <td>小于</td> 
   <td>age&lt;19</td> 
   <td>如果 age 是 18，则返回 true。如果 age 是 19，则返回 false</td> 
  </tr> 
  <tr> 
   <td>&lt;=</td> 
   <td>小于或等于</td> 
   <td>age&lt;=19</td> 
   <td>如果 age 是 19，则返回 true。如果 age 是 20，则返回 false</td> 
  </tr> 
  <tr> 
   <td>&gt;</td> 
   <td>大于</td> 
   <td>age&gt;19</td> 
   <td>如果 age 是 20，则返回 true。如果 age 是 19，则返回 false</td> 
  </tr> 
  <tr> 
   <td>&gt;=</td> 
   <td>大于或等于</td> 
   <td>age&gt;=19</td> 
   <td>如果 age 是 19，则返回 true。如果 age 是 18，则返回 false</td> 
  </tr> 
 </tbody> 
</table>

#### 6.选择节点的顺序 ####

有时候，我们在选择的时候某些属性可能同时匹配了多个节点，但是只想要其中的某个节点，如第二个节点或者最后一个节点，这时该怎么办呢？

这时可以利用中括号传入索引的方法获取特定次序的节点，示例如下：

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 = html.xpath('//li[1]/a/text()')
    print(result)
    result = html.xpath('//li[last()]/a/text()')
    print(result)
    result = html.xpath('//li[position()<3]/a/text()')
    print(result)
    result = html.xpath('//li[last()-2]/a/text()')
    print(result)

第一次选择时，我们选取了第一个 li 节点，中括号中传入数字 1 即可。注意，这里和代码中不同，序号是以 1 开头的，不是以 0 开头。

第二次选择时，我们选取了最后一个 li 节点，中括号中调用 last 方法即可，返回的便是最后一个 li 节点。

第三次选择时，我们选取了位置小于 3 的 li 节点，也就是位置序号为 1 和 2 的节点，得到的结果就是前两个 li 节点。

第四次选择时，我们选取了倒数第三个 li 节点，中括号中调用 last 方法再减去 2 即可。因为 last 方法代表最后一个，在此基础减 2 就是倒数第三个。

运行结果如下：

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

这里我们使用了 last、position 等方法。在 XPath 中，提供了 100 多个方法，包括存取、数值、字符串、逻辑、节点、序列等处理功能，它们的具体作用可以参考：[http://www.w3school.com.cn/xpath/xpath\_functions.asp][http_www.w3school.com.cn_xpath_xpath_functions.asp]。

#### 7.节点轴选择 ####

XPath 提供了很多节点轴选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等，示例如下：

from lxml import etree
    
    text = '''
    <div>
        <ul>
             <li class="item-0"><a href="link1.html"><span>first item</span></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 = html.xpath('//li[1]/ancestor::*')
    print(result)
    result = html.xpath('//li[1]/ancestor::div')
    print(result)
    result = html.xpath('//li[1]/attribute::*')
    print(result)
    result = html.xpath('//li[1]/child::a[@href="link1.html"]')
    print(result)
    result = html.xpath('//li[1]/descendant::span')
    print(result)
    result = html.xpath('//li[1]/following::*[2]')
    print(result)
    result = html.xpath('//li[1]/following-sibling::*')
    print(result)

运行结果如下：

[<Element html at 0x107941808>, <Element body at 0x1079418c8>, <Element div at 0x107941908>, <Element ul at 0x107941948>]
    [<Element div at 0x107941908>]
    ['item-0']
    [<Element a at 0x1079418c8>]
    [<Element span at 0x107941948>]
    [<Element a at 0x1079418c8>]
    [<Element li at 0x107941948>, <Element li at 0x107941988>, <Element li at 0x1079419c8>, <Element li at 0x107941a08>]

第一次选择时，我们调用了 ancestor 轴，可以获取所有祖先节点。其后需要跟两个冒号，然后是节点的选择器，这里我们直接使用 \*，表示匹配所有节点，因此返回结果是第一个 li 节点的所有祖先节点，包括 html、body、div 和 ul。

第二次选择时，我们又加了限定条件，这次在冒号后面加了 div，这样得到的结果就只有 div 这个祖先节点了。

第三次选择时，我们调用了 attribute 轴，可以获取所有属性值，其后跟的选择器还是 \*，这代表获取节点的所有属性，返回值就是 li 节点的所有属性值。

第四次选择时，我们调用了 child 轴，可以获取所有直接子节点。这里我们又加了限定条件，选取 href 属性为 link1.html 的 a 节点。

第五次选择时，我们调用了 descendant 轴，可以获取所有子孙节点。这里我们又加了限定条件获取 span 节点，所以返回的结果只包含 span 节点而不包含 a 节点。

第六次选择时，我们调用了 following 轴，可以获取当前节点之后的所有节点。这里我们虽然使用的是 \* 匹配，但又加了索引选择，所以只获取了第二个后续节点。

第七次选择时，我们调用了 following-sibling 轴，可以获取当前节点之后的所有同级节点。这里我们使用 \* 匹配，所以获取了所有后续同级节点。

以上是 XPath 轴的简单用法，更多轴的用法可以参考：[http://www.w3school.com.cn/xpath/xpath\_axes.asp][http_www.w3school.com.cn_xpath_xpath_axes.asp]。

#### 以上就是Xpath解析的常见部分，关于实战应用，会再后续博客慢慢给出示范。 ####

参考资料：《Python3 网络爬虫开发实战》 崔庆才著。

[http_www.w3school.com.cn_xpath_xpath_functions.asp]: http://www.w3school.com.cn/xpath/xpath_functions.asp
[http_www.w3school.com.cn_xpath_xpath_axes.asp]: http://www.w3school.com.cn/xpath/xpath_axes.asp