学爬虫利器Xpath，看这一篇就够了（建议收藏）
阅读文本大概需要 8分钟。
上一篇文章主要给大家介绍了Xpath的基础知识，大家看完之后有没有收获呢？按照计划，今天就结合示例给大家介绍如何使用Xpath？
1.获取所有节点
我们一般会用「//」开头的Xpath规则来选取所有符合要求的节点。以下面的HTML文本为例，如果要选取所有节点，可以这样实现：
<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>from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//*')
print(result)运行结果如下：
[<Element html at 0x295b308>, <Element body at 0x295b2c8>, <Element div at 0x295b3c8>, <Element ul at 0x295b408>, <Element li at 0x295b448>, <Element a at 0x295b4c8>, <Element li at 0x295b508>, <Element a at 0x295b548>, <Element li at 0x295b588>, <Element a at 0x295b488>, <Element li at 0x295b5c8>, <Element a at 0x295b608>, <Element li at 0x295b648>, <Element a at 0x295b688>]这里使用*代表匹配所有节点，也就是整个HTML文本的所有节点都会被获取。可以看到，返回形式是一个列表，每个元素是Elment类型，其后跟了节点的名称，如html、body、div、ul、li、a等，所有节点都包含在列表中了。
如果想获取指定节点名称，例如li节点，操作如下：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li')
print(result)
print(result[0])这里要选取li节点，可以使用//，然后直接加上节点名称即可，调用时直接使用xpath()方法即可。
运行结果如下：
[<Element li at 0x294b448>, <Element li at 0x294b488>, <Element li at 0x294b4c8>, <Element li at 0x294b508>, <Element li at 0x294b548>]
<Element li at 0x294b448>我们可以看到提取结果是一个列表形式，其中每个元素都是一个Elment对象。如果要取出其中一个对象，可以直接用中括号加索引，如[0]。
2.获取子节点
我们通过/或//即可查找元素的子节点或子孙节点。假如现在想选择li节点的所有直接a子节点，可以这样实现：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li/a')
print(result)这里通过追加/a即选择了所有li节点的所有直接a子节点。因为//li用于选中所有li节点，/a用于选中li节点的所有直接子节点a，二者组合在一起即获取所有li节点的所有直接a子节点。
运行结果如下：
[<Element a at 0x292e2c8>, <Element a at 0x292e308>, <Element a at 0x292e348>, <Element a at 0x292e388>, <Element a at 0x292e3c8>]此处的/用于选取直接子节点，如果要获取所有子孙节点，就可以使用//。例如，要获取ul节点下的所有子孙a节点，可以这样实现：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//ul//a')
print(result)运行结果如下：
[<Element a at 0x293b408>, <Element a at 0x293b448>, <Element a at 0x293b488>, <Element a at 0x293b4c8>, <Element a at 0x293b508>]但是如果这里用//ul/a，就无法获取任何结果了。因为/用于获取直接子节点，而在ul节点下没有直接的a子节点，只有li节点，所以无法获取任何匹配结果，代码如下：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//ul/a')
print(result)运行结果如下：
[]
小结：这里我们要注意/和//的区别，其中/用于获取直接子节点，//用于获取子孙节点。
3.获取父节点
假如我们知道了子节点，怎么来查找父节点呢？可以用..来实现。
比如，现在首先选中href属性为link4.html的a节点，然后再获取其父节点，然后再获取class属性，相关代码如下：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/../@class')
print(result)运行结果如下：
['item-1']检查一下结果发现，这正是我们获取的目标li节点的class。
同时，我们也可以通过parent：：来获取父节点，代码如下：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//a[@href="link4.html"]/parent::*/@class')
print(result)4.属性匹配
在选取的时候，我们还可以用@符号进行属性过滤。比如，这里选取class为item-0的li节点，可以这样实现：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]')
print(result)这里我们通过加入[@class=“item-0”]，限制了节点的class属性为item-0，而HTML文本中符合条件的li节点有两个，所以结果应该返回两个匹配到的元素。结果如下：
[<Element li at 0x293e2c8>, <Element li at 0x293e308>]可见，匹配到的结果正是两个，至于是不是那正确的两个，后面再验证。
5.获取文本
我们用Xpath中的text（）方法获取节点的文本，接下来尝试获取前面li节点中的文本，相关代码如下：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/text()')
print(result)运行结果如下：
['\r\n']奇怪的是，我们并没有获取到任何文本，只获取到了一个换行符，这是为什么呢？
因为Xpath中text()前面是/，而此处/的含义是选取直接子节点，很明显li的直接子节点都是a节点，文本都是在a节点内部，所以这里匹配到的结果就是被修正的li节点内部的换行符，因为自动修正的li节点的尾标签换行了。
即选中的是这两个节点：
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</li>其中一个节点因为自动修正，li节点的尾标签添加的时候换行了，所以提取文本得到唯一结果就是li节点的尾标签和a节点的尾标签之间的换行符。
因此，如果想获取li节点内部的文本，就有两种方式，一种是先选取a节点再获取文本，另一种就是使用//。接下来，我们来看一下二者的区别。
（1）选取到a节点再获取文本，代码如下：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]/a/text()')
print(result)运行结果如下：
['first item', 'fifth item']可以看到，这里的返回值是两个，内容都是属性为item-0的li节点的文本，这也验证了前面属性匹配的结果是正确的。
这里我们是逐层选取的，先选取了li节点，又利用/选取了其直接子节点a，然后再选取其文本，得到的结果恰好是符合我们预期的两个结果。
（2）再来看一下另一种方式（即使用//）选取的结果，代码如下：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li[@class="item-0"]//text()')
print(result)运行结果如下：
['first item', 'fifth item', '\r\n']不出所料，这里的返回结果是3个。分析可知，这里是选取所有子孙节点的文本，其中前面两个就是li的子节点a节点内部的文本，另一个就是最后一个li节点内部的文本，即换行符。
小结：如果要想获取子孙节点内部的所有文本，可以直接用//加text（）的方式，这样可以保证获取到最全面的文本信息，但是可能会夹杂一些换行符等特殊字符。
如果想获取某些特定子孙节点下的所有文本，可以先选取到特定的子孙节点，然后再调用text（）方法获取其内部文本，这样可以保证获取到的结果是整洁的。
6.获取属性
这里我们用@符号就可以获取节点属性。例如，我们想获取所有li节点下所有a节点的href属性，代码如下：
from lxml import etree
html = etree.parse('./test.html',etree.HTMLParser())
result = html.xpath('//li/a/@href')
print(result)这里我们通过@href即可获取节点href属性。注意，此处和属性匹配的方法不同，属性匹配是中括号加属性名和值来限定某个属性，如[@href=“link1.html”]，而此处的@href指的是获取节点的某个属性，二者需要做好区分。
运行结果如下：
['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']可以看到，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。
7.属性多值匹配
有时候，某些节点的某个属性可能有多个值，例如：
from lxml import etree
text = """
<li class="li li-first"><a href="link.html">first item</a></li>
"""
html = etree.HTML(text)result = html.xpath('//li[@class="li"]/a/text()')
print(result)这里HTML文本中li节点的class属性有两个值li和li-first，此时如果还想用之前的属性匹配获取，就无法匹配了，此时的运行结果如下：
[]
这时就需要用contains（）函数了，代码可以改写如下：
from lxml import etree
text = """
<li class="li li-first"><a href="link.html">first item</a></li>
"""
html = etree.HTML(text)
result = html.xpath('//li[contains(@class,"li")]/a/text()')
print(result)这样通过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，就可以完全匹配了。
此时运行结果如下：
['first item']此种方式在某个节点的某个属性有多个值时经常用到，如某个节点的class属性通常有多个。
8.多属性匹配
另外，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，这时就需要匹配多个属性。此时可以使用运算符and来连接，示例如下：
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)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。运行结果如下：
['first item']这里的and其实是Xpath中的运算符。另外，还有很多运算符，如or、mod等。
9.按序选择
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？
可以利用中括号传入索引的方法获取特定次序的节点，示例如下：
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)运行结果如下：
['first item']
['fifth item']
['first item', 'second item']
['third item']这里我们使用了last（）、position（）等函数。在Xpath中，提供了100多个函数，包括存取、数值、字符串、逻辑、节点、序列等处理功能。它们的具体作用可以参考：http://www.w3school.com.cn/xpath/xpath_functions.asp.
10.节点轴选择
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，示例如下：
from lxml import etree
text = """
<div>
<ul>
<li class="item-0"><a href="link1.html"><span>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]/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)运行结果如下：
[<Element html at 0x294b408>, <Element body at 0x294b388>, <Element div at 0x294b348>, <Element ul at 0x294b448>]
[<Element div at 0x294b348>]
['item-0']
[<Element a at 0x294b448>]
[<Element span at 0x294b348>]
[<Element a at 0x294b448>]
[<Element li at 0x294b388>, <Element li at 0x294b488>, <Element li at 0x294b4c8>, <Element li at 0x294b508>]以上是Xpath轴的简单用法，更多轴的用法可以参考：http://www.w3school.com.cn/xpath_axes.asp。
总结
到目前为止，我们基本上把可能用到的Xpath选择器介绍完了。今天我们主要介绍了Xpath在获取所有节点、子节点、父节点、文本、属性、以及属性多值匹配、多属性匹配等方面的具体操作，Xpath功能非常强大，内置函数非常多，熟练使用之后，可以大大提升HTML信息的提取效率。
如果想查询更多Xpath的用法，可以查看：http://www.w3school.com.cn/xpath/index.asp。如果想查询更多Python lxml库的用法，可以查看http://lxml.de/。
腾讯云开发者
