python的lxml和xPath用法

安装lxml，xPath库

xPath语法：

下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	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。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

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：

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点。
/bookstore	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！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素。
//book	选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book	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。
//@lang	选取名为 lang 的所有属性。

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：

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	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。
/bookstore/book[price>35.00]/title	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。

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

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：

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。

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：

路径表达式	结果
//book/title \| //book/price	选取 book 元素的所有 title 和 price 元素。
//title \| //price	选取文档中的所有 title 和 price 元素。
/bookstore/book/title \| //price	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。

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。

 
          1 
        
          2 
        
          3 
        
          4 
        
          5 
        
          6 
        
          7 
        
          8 
        
          9 
        
          10 
        
          11 
        
          12 
        
          13 
        
          14 
        
          15 
        
         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

XHTML
 
          1 
        
         2 
        
         3 
        
         4 
        
         5 
        
         6 
        
         7 
        
         8 
        
         9 
        
         10 
        
         11 
        
         12 
        
         <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

XHTML
 
    
     
      
          1 
        

          2 
        

          3 
        

          4 
        

          5 
        

          6 
        

          7 
        

          8 
        

          9 
        
 
       
         <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。

 
          1 
        
          2 
        
          3 
        
          4 
        
         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

Python
 
          1 
        
          2 
        
          3 
        
          4 
        
          5 
        
          6 
        
          7 
        
          8 
        
         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

 
          1 
        
          2 
        
          3 
        
          4 
        
          5 
        
         <type 'lxml.etree._ElementTree'> 
        
         [<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>] 
        
         5 
        
         <type 'list'> 
        
         <type 'lxml.etree._Element'>

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

Python
 
          1 
        
          2 
        
         result = html.xpath('//li/@class') 
        
         print result

运行结果

 
          1 
        
         ['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

Python
 
          1 
        
          2 
        
         result = html.xpath('//li/a[@href="link1.html"]') 
        
         print result

运行结果

 
          1 
        
         [<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

Python
 
         1 
        
         result = html.xpath('//li/span')

因为 / 是用来获取子元素的，而 <span> 并不是 <li> 的子元素，是<a>的子元素。所以，要用双斜杠

Python
 
          1 
        
          2 
        
         result = html.xpath('//li//span') 
        
         print result

运行结果

 
          1 
        
         [ 
         < 
         Element  
         span  
         at 
           
         0x10d698e18 
         > 
         ]

（5）获取 <li> 标签下的所有 class，不包括 <li>

Python
 
          1 
        
          2 
        
         result = html.xpath('//li/a//@class') 
        
         print result

运行结果

（6）获取最后一个 <li> 的 <a> 的 href

Python
 
          1 
        
          2 
        
         result = html.xpath('//li[last()]/a/@href') 
        
         print result

运行结果

 
          1 
        
         [ 
         'link5.html' 
         ]

（7）获取倒数第二个元素的内容

 
          1 
        
          2 
        
         result = html.xpath('//li[last()-1]/a') 
        
         print result[0].text

运行结果

（8）获取 class 为 bold 的标签名

Python
 
          1 
        
          2 
        
         result = html.xpath('//*[@class="bold"]') 
        
         print result[0].tag

运行结果

部分转载：静觅 » Python爬虫利器三之Xpath语法与lxml库的用法

xpath用法w3school：xPath