Python 爬虫网页内容提取工具xpath
上一节，我们详述了lxml.html的各种操作，接下来我们熟练掌握一下XPath，就可以熟练的提取网页内容了。
XPath 是什么？
XPath的全称是 XML Path Language，即XML 路径语言，是一种在XML（HTML）文档中查找信息的语言。它有4点特性：
- 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
如果你依然在编程的世界里迷茫，不知道自己的未来规划，可以加入我们的Python学习扣qun：784758214，看看前辈们是如何学习的！交流经验！ 自己是一名高级python开发工程师，从基础的python脚本到web开发、爬虫、django、人工智能、数据挖掘等，零基础到项目实战的资料都有整理。 送给每一位python的小伙伴！分享一些学习的方法和需要注意的小细节，这里是python学习者聚集地
点击：python技术分享
我们从网页中提取数据，主要应用前两点。
XPath 路径表达式
使用XPath我们可以很容易定位到网页中的节点，也就是找到我们关心的数据。这些路径跟电脑目录、网址的路径很相似，通过/来表示路径的深度。
XPath 标注函数库
头内建了100多个函数，当然我们提取数据用到的有限，也就不用记住全部100多个函数了。
Xpath 的节点（Node）
XPath中的核心就是节点（Node），定义了7种不同类型的节点： 元素（Element）、属性（Attribute）、文本（Text）、命名空间（Namespace）、处理指令（processing-instruction）、注释（Comment）和文档节点（Document nodes） 这些节点组成一棵节点树，树的根节点被称为文档节点。 其中注释就是html里面的注释：`` 而命名空间、处理指令和网页数据提取基本没关系，这里就不再详述。
下面我们以一个简单的html文档为例，来解释不同的节点及其关系。
<html lang="en-US">
<body>
<div>ABC</div>
<ul id="menu">
<li class="item">home</li>
<li class="item">python</li>
</ul>
</body>
</html>这段html中的节点有：
- 文档节点：
<html> - 元素节点：
<li class="item">python</li> - 属性节点：
id="menu"
XPath 节点的关系
节点间的关系完全照搬人类传宗接代的辈分关系，但只是直系关系，没有叔叔、大伯之类的旁系关系。 还是以上面的html文档为例来说明节点关系：
父（Parent）
每个元素节点（Element）及其属性都有一个父节点。 比如，body的父是html，而body是div、ul 的父亲。
子（Children）
每个元素节点可以有零个、一个或多个子。 比如，body有两个子：div，ul，而ul也有两个子：两个li。
同辈（Sibling）
同辈有相同的父辈节点。 比如，div和ul是同辈。
先辈（Ancestor）
某节点的父辈及其以上辈分的节点。 比如，li的父辈有：ul、div、body、html
后代（Descendant）
某节点的子及其子孙节点。 比如，body的后代有：div、ul、li。
XPath节点的选取
选取节点，也就是通过路径表达来实现。这是我们在网页提取数据时的关键，要熟练掌握。
下表是比较有用的路径表达式：
表达式 | 说明 |
|---|---|
nodename | 选取当前节点的名为nodename的所有子节点。 |
/ | 从根节点选取，在路径中间时表示一级路径 |
// | 从当前节点开始选择文档中的节点，可以是多级路径 |
. | 从当前节点开始选取 |
.. | 从父节点开始选取 |
@ | 按属性选取 |
接下来通过具体的示例来加深对路径表达的理解：
路径表达式 | 解释 | |
|---|---|---|
/html/body/ul/li | 从根节点开始依照路径选取li元素。返回多个。 | |
//ul/li[1] | 还是选取li元素，但是路径多级跳跃到ul/li。[1]表示只取第一个li。 | |
//li[last()] | 还是选取li，但路径更跳跃。[last()]表示取最后一个li元素。 | |
//li[@class] | 选取根节点的名为li且有class属性的所有后代。 | |
//li[@class=”item”] | 选择根节点的名为li且class属性为item的所有后代。 | |
//body/*/li | 选取body的名为li的孙子节点。*是通配符，表示任何节点。 | |
//li[@*] | 选取所有带属性的li元素。 | |
//body/div ` | ` //body/ul | 选取body的所有div和ul元素。 |
body/div | 相对路径，选取当前节点的body元素的子元素div。绝对路径以 / 开始。 |
XPath函数
Xpath的函数很多，涉及到错误、数值、字符串、时间等等，然而我们从网页中提取数据的时候只会用到很少的一部分。其中最重要的就是字符串相关的函数，比如contains()函数。
contains(a, b)
如果字符串a包含字符串b，则返回true，否则返回false。 比如： contains(‘猿人学Python’, ‘Python’)，返回true 那么它用在什么时候呢？我们知道，一个html标签的class是可以有多个属性值的，比如：
<div class="post-item text-red text-center">
...
</div>这段html中div有三个class值，第一个表面它是一条发布的消息，后面两个是对格式做了更多的设置。如果我们想提取网页中所有发布的消息，只需要匹配到post-item 即可，这时候就可以用上contains了：
doc.xpath('//div[contains(@class, "post-item")]')跟contains()类似的字符串匹配的函数还有：
- starts-with(string1, string2) 判断string1是否以string2开头
- ends-with(string1, string2) 判断string1是否以string2结尾
- matches(string, pattern) 通过正则表达式匹配
然而，在lxml的xpath中使用ends-with(), matches() 会报错
In [232]: doc.xpath('//ul[ends-with(@id, "u")]')
---------------------------------------------------------------------------
XPathEvalError Traceback (most recent call last)
<ipython-input-232-79a4afc46a75> in <module>()
----> 1 doc.xpath('//ul[ends-with(@id, "u")]')
src/lxml/etree.pyx in lxml.etree._Element.xpath()
src/lxml/xpath.pxi in lxml.etree.XPathElementEvaluator.__call__()
src/lxml/xpath.pxi in lxml.etree._XPathEvaluatorBase._handle_result()
XPathEvalError: Unregistered functionlxml 竟然不支持ends-with(), matches()函数 到lxml官方网站去看看，原来它说了只支持 XPath 1.0：
lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way.
接着又在Wikipedia上找到Xpath 2.0 和 1.0 的差异对比，果然ends-with(), matches() 只属于2.0。下图中，粗体部分是1.0包含的，其它是2.0也有的：
XPath 2.0 和 1.0 的差异
好了，Xpath在网页内容提取中要用到的部分已经讲完了