python中xpath的基本使用

写在前面的话 ：上一篇文章我们利用requests调用接口实现了一个天气查询小程序，但是想要更深入的了解爬虫，学习一些网页解析方法肯定是必须的，所以接下来我们就一起学习一下python中xpath的使用方法吧

温馨提示 ：博主使用的系统为win10，使用的python版本为3.6.5

一、XPATH简介

若想了解xpath，我们首先需要知道什么是xml文档，其实简单地说，xml文档就是由一系列节点构成的树，例如

<html>
    <body>
        <div>
            <p>Hello world<p>
            <a href="/home">Click here</a>
        </div>
    </body>
</html>

xml文档常见的节点有

根节点：html
元素节点：html、body、div、p、a
属性节点：href
文本节点：Hello world、Click here

xml文档常见的节点间关系有

父子：例如，p和a是div的子节点，反之，div是p和a的父节点
兄弟：例如，p和a为兄弟节点
祖先/后代：例如，body、div、p、a都是html的后裔节点，反之，html是body、div、p、a的祖先节点

而xpath则是一种用来确定xml文档中某部分位置的语言，它的全称是XML路径语言(XML Path Language)，对于网页解析来说，xpath比正则表达式来得更方便更简洁，故python中专门提供了一个特殊的模块——lxml库中的etree模块用于处理xpath，我们可以使用以下命令进行安装

$ pip install lxml

二、XPATH的基本使用方法

1. 导入模块

>>> from lxml import etree

为了简便起见，这里我们自己构造一个简单的xml文档用作测试

>>> sc = '''
<html>
    <head>
        <meta charset=UTF-8>
        <link rel=stylesheet href=style/base.css>
        <link rel=stylesheet href=style/home.css>
        <base href="https://www.example.com"/>
        <title>Example website</title>
    <body>
        <div id="images" class="content">
            <a href="image1.html">Image1<br/><img src="image1.jpg"/>
            <a href="image2.html">Image2<br/><img src="image2.jpg"/>
            <a href="image3.html">Image3<br/><img src="image3.jpg"/>
            <a href="image4.html">Image4<br/><img src="image4.jpg"/>
            <a href="image5.html">Image5<br/><img src="image5.jpg"/>
'''

2. 构造_Element对象

#可以使用HTML()方法构造_Element对象并自动补全不完整代码
>>> html = etree.HTML(sc)
#构造对象结果检查
>>> type(html)
<class 'lxml.etree._Element'>
#补全代码结果检查，注意，tostring()方法用于将_Element对象转化成bytes类型字符串，decode('utf-8')方法用于将bytes类型字符串转化为str类型字符串
>>> print(etree.tostring(html).decode('utf-8'))
<html>
    <head>
        <meta charset="UTF-8"/>
        <link rel="stylesheet" href="style/base.css"/>
        <link rel="stylesheet" href="style/home.css"/>
        <base href="https://www.example.com"/>
        <title>Example website</title>
    </head>
    <body>
        <div id="images" class="content">
            <a href="image1.html">Image1<br/><img src="image1.jpg"/></a>
            <a href="image2.html">Image2<br/><img src="image2.jpg"/></a>
            <a href="image3.html">Image3<br/><img src="image3.jpg"/></a>
            <a href="image5.html">Image5<br/><img src="image5.jpg"/></a>
        </div>
    </body>
</html>

3. 匹配数据

可以使用xpath()方法进行匹配，注意，该方法返回匹配列表且列表中的每一项都是_Element对象

（1）/ 表示子代，例如E1/E2表示E1子节点中的E2节点，/E表示文档子节点中的E节点

>>> test = html.xpath('/html/body/div/a')
>>> print(test)
[<Element a at 0x3843bc0>, <Element a at 0x3843c10>, <Element a at 0x3843c38>, <Element a at 0x3843c60>, <Element a at 0x3843c88>]

（2）// 表示后代，例如E1//E2表示E1后代节点中的E2节点，//E表示文档后代节点中的E节点

>>> test = html.xpath('//a')
>>> print(test)
[<Element a at 0x3843bc0>, <Element a at 0x3843c10>, <Element a at 0x3843c38>, <Element a at 0x3843c60>, <Element a at 0x3843c88>]

（3）* 表示所有节点，例如E/*表示E子节点中的所有节点

>>> test = html.xpath('/html/*')
>>> print(test)
[<Element head at 0x3843be8>, <Element body at 0x3843c10>]

（4）text() 表示文本节点，例如E/text()表示E子节点中的文本节点

>>> test = html.xpath('/html/head/title/text()')
>>> print(test)
['Example website']

（5）@ATTR 表示属性节点，例如E/@ATTR表示E子节点中的ATTR属性节点

>>> test = html.xpath('//a/@href')
>>> print(test)
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

（6）谓语 用于匹配指定的标签

#指定第二个a标签
>>> test = html.xpath('//a[2]')
>>> print(test)
[<Element a at 0x3843c88>]

#指定前两个a标签
>>> test = html.xpath('//a[position()<=2]')
>>> print(test)
[<Element a at 0x3843c60>, <Element a at 0x3843c88>]

#指定带有href属性的a标签
>>> test = html.xpath('//a[@href]')
>>> print(test)
[<Element a at 0x3843c38>, <Element a at 0x385c300>, <Element a at 0x385c2d8>, <Element a at 0x385c350>, <Element a at 0x385c328>]

#指定带有href属性且值为image1.html的a标签
>>> test = html.xpath('//a[@href="image1.html"]')
>>> print(test)
[<Element a at 0x3843c38>]

补充： _Element对象的常用属性与方法

我们先用xpath()方法得到匹配列表tests作为测试样例，tests中的每一项都是一个 _Element对象

>>> tests = html.xpath('//a')

（1）属性 tag 返回标签名

>>> for test in tests:
        test.tag
'a'
'a'
'a'
'a'
'a'

（2）属性 attrib 返回属性与值组成的字典

>>> for test in tests:
        test.attrib
{'href': 'image1.html'}
{'href': 'image2.html'}
{'href': 'image3.html'}
{'href': 'image4.html'}
{'href': 'image5.html'}

（3）方法 get() 返回指定属性的值

>>> for test in tests:
        test.get('href')
'image1.html'
'image2.html'
'image3.html'
'image4.html'
'image5.html'

（4）属性 text 返回文本值

>>> for test in tests:
        test.text
'Image1'
'Image2'
'Image3'
'Image4'
'Image5'

写在后面的话 ：现在我们已经学习完requests和lxml.etree模块的基础使用方法了，下一篇文章我们将利用它们爬取豆瓣电影的基本信息，谢谢大家