XML
- XML(EXtensibleMarkupLanguage)
- 学习文档： http://www.w3school.com.cn/xml/index.asp
- 案例1
- 概念：父节点，子节点，先辈节点，兄弟节点，后代节点
案例1：
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book category="cooking">
<title lang="en">Everyday Italian</title>
<author>Gidada De</author>
<year>2018</year>
<price>23</price>
</book>
<book category="education">
<title lang="en">Python is Python</title>
<author>Food War</author>
<year>2008</year>
<price>83</price>
</book>
<book category="sport">
<title lang="en">Running</title>
<author>Klaus Kuka</author>
<year>2010</year>
<price>43</price>
</book>
</bookstore>XPath（python爬虫使用XPath解析页面和提取数据）
一、简介
XPath即为XML路径语言，它是一种用来确定XML（标准通用标记语言的子集）文档中某部分位置的语言。XPath基于XML的树状结构，有不同类型的节点，包括元素节点，属性节点和文本节点，提供在数据结构树中找寻节点的能力。
二、什么是 XPath?
- XPath(XML Path Language), 是一门在XML文档中查找信息的语言
- XPath 使用路径表达式在 XML 文档中进行导航
- XPath 包含一个标准函数库
- XPath 是 XSLT 中的主要元素
- XPath 是一个 W3C 标准
- 官方文档： http://www.w3school.com.cn/xpath/index.asp
- XPath开发工具：
- 开元的XPath表达式工具： XMLQuire
- chrome插件： Xpath Helper
- Firefox插件： XPath CHecker
三、使用xpath
1、导入模块
#首先安装库 pip install lxml
import lxml
from lxml import etree2、XPath Helper插件
- chrome插件网：http://www.cnplugins.com/
- GitHub下载:https://github.com/liangdongchang/tools
- 在谷歌浏览器添中加插件
- Ctrl + Shift + X打开或关闭插件
3、XPath 术语
节点（Node）
在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。
基本值（或称原子值，Atomic value）
基本值是无父或无子的节点。
项目（Item）
项目是基本值或者节点。
节点关系
父（Parent）
每个元素以及属性都有一个父。
子（Children）
元素节点可有零个、一个或多个子。
同胞（Sibling）
拥有相同的父的节点
先辈（Ancestor）
某节点的父、父的父，等等。
后代（Descendant）
某个节点的子，子的子，等等
4、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：
| 表达式 | 描述 |
|---|---|
| / |
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。 |
| nodename | 选取此节点的所有子节点 |
案例：
| 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。 |
5、 谓语（Predicates）
谓语用来查找某个特定的节点，被镶嵌在方括号中或者包含某个指定的值的节点。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=’cn’] | 选取属于bookstore下叫book的,含有属性lang的值是cn的元素。 |
| /bookstore/book[price<90] | 选取属于bookstore下叫book的,含有属性price的，且值小于90的元素。 |
| /bookstore/book[price<90]/title | 选取属于bookstore下叫book的,含有属性price的，且值小于90的元素的子元素title。 |
6、通配符（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。 |
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。 |
7、选取多个路径
通过在路径表达式中使用”|”运算符，您可以选取若干个路径。
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/author | 选取 book 元素的所有 title 和 author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。 |
8、XPath 实例
下面是在网上找到的一个小例子。
import lxml
from lxml import etree
html_doc = '''
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body>
<ul>
<li id='l1' class="liClass">1</li>
<li id='l2'>2</li>
<li class="liClass">3</li>
<li id='l4'>4</li>
<li class="liClass">5</li>
</ul>
<div class="liClass">
</div>
</body>
</html>
'''
mytree = lxml.etree.HTML(html_doc)
# ElementTree object
print(mytree)
print(mytree.xpath('/html/text()'))
print(mytree.xpath('/ul'))
# / 从根元素开始，相当于绝对路径
print(mytree.xpath('/html/body/ul'))
# // 全局搜索，找到所有
print(mytree.xpath('//li'))
ul = mytree.xpath('//ul')
# . 当前
# 返回的都是列表，查找到所有
li = ul[0].xpath('./li')
print(li)
for l in li:
# 获取属性id的值 @id
print(l.xpath('./@id'))
# 定位 /标签[@属性='值']
liClass = mytree.xpath("//li[@class='liClass']")
print(liClass)
# 判断，@属性='值' --->返回True或False
print(mytree.xpath("//li/@id='12'"))
print("===========================")
# 直接使用下标访问，下标从1开始 获取对个li里面的文本
print(mytree.xpath('//li[2]/text()'))
# last()最后一个
print(mytree.xpath('//li[last()]/text()'))
# 倒数第二个
print(mytree.xpath('//li[last()-1]/text()'))
# position() 位置 > < = >= <=
print(mytree.xpath('//li[position()>1]'))
# * 通配
print(mytree.xpath('//*[@class="liClass"]'))
# 或 |
print(mytree.xpath('//li[@class="liClass"] | //div[@class="liClass"]'))