爬虫之XPath高级篇

一属性获取

1 点睛

用@符号就可以

2 代码

from lxml import etree

html = etree.parse('./test.html', etree.HTMLParser())
# 获取所有li节点下所有a节点的href属性
result = html.xpath('//li/a/@href')
print(result)

3 结果

E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

4 说明

我们成功获取了所有li节点下a节点的href属性，它们以列表形式返回。

二属性多值匹配

1 无法匹配情况

1.1 代码

from lxml import etree
text = '''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
# 通过下面方式无法实现属性多值匹配
result = html.xpath('//li[@class="li"]/a/text()')
print(result)

1.2 运行结果

E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
[]

2 属性多值匹配

2.1 代码

from lxml import etree
text = '''
<li class="li li-first"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
# 通过contains实现属性多值匹配
# 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。
result = html.xpath('//li[contains(@class, "li")]/a/text()')
print(result)

2.2 结果

E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
['first item']

三多属性匹配

1 点睛

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。

2 代码

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)

3 结果

E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
['first item']

4 说明

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。

四按序选择

1 点睛

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

2 代码

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)

3 运行结果

E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
['first item']
['fifth item']
['first item', 'second item']
['third item']

4 说明

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，中括号中传入last()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，中括号中传入last()-2即可。因为last()是最后一个，所以last()-2就是倒数第三个。

五节点轴选择

1 点睛

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。

2 代码

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)

3 运行结果

E:\WebSpider\venv\Scripts\python.exe E:/WebSpider/4_1.py
[<Element html at 0x15936e73388>, <Element body at 0x15936e73308>, <Element div at 0x15936e732c8>, <Element ul at 0x15936e733c8>]
[<Element div at 0x15936e732c8>]
['item-0']
[<Element a at 0x15936e733c8>]
[<Element span at 0x15936e732c8>]
[<Element a at 0x15936e733c8>]
[<Element li at 0x15936e73308>, <Element li at 0x15936e73408>, <Element li at 0x15936e73448>, <Element li at 0x15936e73488>]

4 说明

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。

爬虫之XPath高级篇

猜你喜欢