前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >知识点讲解一:Xpath的介绍和用法

知识点讲解一:Xpath的介绍和用法

作者头像
K同学啊
发布2019-01-22 11:12:12
7440
发布2019-01-22 11:12:12
举报
文章被收录于专栏:明天依旧可好的专栏

1 前言

本来是不打算学Xpath的,个人觉得BeautifulSoup()完全能够满足自己的爬虫需求了。但是在学Selenium是时候教程用的是Xpath,加上之前身边的小伙伴也一直在给自己安利Xpath,索性就了解一下。

2 Xpath语法

2.1 简介

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。结构关系包括 父、子、兄弟、先辈、后代等。

2.2 语法

示例代码:

代码语言:javascript
复制
这是一个解析后的HTML文件的一部分
<bookstore>
	<book>
  		<title>Harry Potter</title>
  		<author>J K. Rowling</author>
  		<year>2018</year>
  		<price>29.99</price>
	</book>
</bookstore>

语法示例:

代码语言:javascript
复制
result = html.xpath('/bookstore/book/title')
>输出:<title>Harry Potter</title>
代码语言:javascript
复制
result = html.xpath('/bookstore//title')
>输出:<title>Harry Potter</title>
代码语言:javascript
复制
result = html.xpath('/bookstore/book/title/text()')
>输出:Harry Potter

2.3 结点获取

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

nodename

选取此节点的所有子节点。

/

从根节点选取。

//

从选择的父节点中查找,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

//@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,由于博客书写原因,在表中我把“|”换成了“~”:

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。

2.4 Xpath与爬虫的交点

与Xpath搭配的常用解析方法是:etree.HTML()

代码语言:javascript
复制
from lxml import etree
#发送请求
req = requests.get(oneBlogUrl, timeout=10)
#校正网页编码
req.encoding = req.apparent_encoding
#解析网页
html = etree.HTML(req.text)

在解析过后就可以直接上Xpath了

代码语言:javascript
复制
article_list = html.xpath("/bookstore/book/title/text()")

与BeautifulSoup中的find()/find_all()方法相比,在用find_all()查找到标签后存放的形式是列表,需要在for循环中才能继续调用find()方法。这一点上Xpath是比BeautifulSoup较方便的,Xpath可以一步到位。

参考文章:Python爬虫利器之Xpath

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018年06月22日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1 前言
  • 2 Xpath语法
    • 2.1 简介
      • 2.2 语法
        • 2.3 结点获取
          • 2.4 Xpath与爬虫的交点
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档