Python：非结构化数据-XPath
原创
简介
XPath 全称为 Xml Path Language，即 Xml 路径语言，是一种在 Xml 文档中查找信息的语言。它提供了非常简洁的路径选择表达式，几乎所有的节点定位都可以用它来选择。
XPath 可以用于 Xml 和 Html，在爬虫中经常使用 XPath 获取 Html 文档内容。
XPath开发工具
Chrome 网上应用店：Chrome插件 XPath Helper
XPath语法
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。
<?xml version="1.0" encoding="ISO-8859-1" ?>
<bookstore>
<book>
<title lang="eng">Harry Potter</title>
<price>29.99</price>
</book>
<book>
<title lang="eng">Learning XML</title>
<price>39.95</price>
</book>
</bookstore>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。
表达式 | 描述 |
|---|---|
/ | 从根节点选取 |
// | 从当前节点选择所有匹配文档中的节点 |
. | 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 |
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 |
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 |
//book | 选取所有 book 子元素，而不管它们在文档中的位置 |
//book/./title | 选取所有 book 子元素，从当前节点查找title节点 |
//price/.. | 选取所有 price 子元素，从当前节点查找父节点 |
//@lang | 选取名为 lang 的所有属性 |
bookstore | 选取 bookstore 元素的所有子节点。默认从根节点选取 |
谓语条件（Predicates）：
- 谓语用来查找某个特定的信息或者包含某个指定的值的节点。
- 所谓"谓语条件"，就是对路径表达式的附加条件
- 谓语是被嵌在方括号中，都写在方括号"[]"中，表示对节点进行进一步的筛选。
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。 |
//book[price] | 选取所有 book 元素，且被选中的book元素必须带有price子元素 |
/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。 |
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。
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/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 |
XPath 高级用法
- 模糊查询 contains
目前许多web框架，都是动态生成界面的元素id，因此在每次操作相同界面时，ID都是变化的，这样为自动化测试造成了一定的影响。
<div class="eleWrapper" title="请输入用户名">
<input type="text" class="textfield" name="ID9sLJQnkQyLGLhYShhlJ6gPzHLgvhpKpLzp2Tyh4hyb1b4pnvzxFR!-166749344!1357374592067" id="nt1357374592068"/>
</div>解决方法 使用xpath的匹配功能，//input[contains(@id,'nt')]
测试使用的XML：
<Root>
<Person ID="1001">
<Name lang="zh-cn">
张城斌
</Name>
<Email xmlns="www.quicklearn.cn">
cbcye@live.com
</Email>
<Blog>
http://cbcye.cnblogs.com
</Blog>
</Person>
<Person ID="1002">
<Name lang="en">
Gary Zhang
</Name>
<Email xmlns="www.quicklearn.cn">
GaryZhang@cbcye.com
</Email>
<Blog>
http://www.quicklearn.cn
</Blog>
</Person>
</Root>- 查询所有Blog节点值中带有 cn 字符串的Person节点
Xpath表达式：/Root//Person[contains(Blog,'cn')]2.查询所有Blog节点值中带有 cn 字符串并且属性ID值中有01的Person节点
Xpath表达式：/Root//Person[contains(Blog,'cn') and contains(@ID,'01')]提取多个标签下text
在写爬虫的时候，经常会使用xpath进行数据的提取，对于如下的代码：
<div id="test1">大家好！</div>
使用xpath提取是非常方便的。假设网页的源代码在selector中：
data = selector.xpath('//div[@id="test1"]/text()').extract()[0]就可以把“大家好！”提取到data变量中去。然而如果遇到下面这段代码呢？
<div id="test2">美女，<font color=red>你的微信是多少？</font><div>
如果使用：data = selector.xpath('//div[@id="test2"]/text()').extract()[0]，只能提取到“美女，”；
如果使用：data = selector.xpath('//div[@id="test2"]/font/text()').extract()[0]，又只能提取到“你的微信是多少？”
可是我本意是想把“美女，你的微信是多少？”这一整个句子提取出来。
<div id="test3">我左青龙，<span id="tiger">右白虎，<ul>上朱雀，<li>下玄武。</li></ul>老牛在当中，</span>龙头在胸口。<div>
而且内部的标签还不固定，如果我有一百段这样类似的html代码，又如何使用xpath表达式，以最快最方便的方式提取出来？
使用xpath的string(.)
以第三段代码为例：
data = selector.xpath('//div[@id="test3"]')
info = data.xpath('string(.)').extract()[0]这样，就可以把“我左青龙，右白虎，上朱雀，下玄武。老牛在当中，龙头在胸口”整个句子提取出来，赋值给info变量。
测试分享
from lxml import etree
from io import StringIO
test_html = '''
<html>
<body>
<div>
<!-- 这里是注释 -->
<h4>手机品牌商<span style="margin-left:10px">4</span></h4>
<ul>
<li>小米</li>
<li>华为</li>
<li class='blank'> OPPO </li>
<li>苹果</li>
</ul>
</div>
<div>
<h4>电脑品牌商<span style="margin-left:10px">3</span></h4>
<ul class="ul" style="color:red">
<li>戴尔</li>
<li>机械革命</li>
<li>ThinkPad</li>
</ul>
</div>
</body>
</html>'''- 加载页面到内存
html = etree.parse(StringIO(test_html))
print(html)- 获取所有 li 标签数据
li_list = html.xpath('//li')
print("类型：", type(li_list))
print("值：", li_list)
print("个数：", len(li_list))
for l in li_list:
print("li文本为：" + l.text)- 获取带 class=‘blank’ 属性数据
blank_li_list = html.xpath('//li[@class="blank"]')
print("类型：", type(blank_li_list))
print("值：", blank_li_list)
print("个数：", len(blank_li_list))
for l in blank_li_list:
print("li文本为：" + l.text)- 属性操作
ul = html.xpath('//ul')[1]
# 遍历属性
for name, value in ul.attrib.items():
print('{0}="{1}"'.format(name, value))
输出：索引是从0开始计算
class="ul"
style="color:red"- 添加新的属性
ul.set("new_attr", "true")
# 获取单个属性
new_attr = ul.get('new_attr')
print(new_attr)
输出：true- 获取最后一个div标签数据
last_div = html.xpath('//div[last()]')
print(last_div)
添加子节点
child = etree.Element("child")
child.text = "这里是新的子元素"
last_div.append(child)
print(last_div)- 删除子元素
# 删除子元素
# 查找并设置第一个查询到的元素
first_ul = html.find("//ul")
ul_li = first_ul.xpath("li")
for li in ul_li:
# 删除元素
first_ul.remove(li)
ul_li = first_ul.xpath("li")
if len(ul_li) == 0:
print("元素被删除了")- 遍历元素后代
body = html.find("body")
for sub in body.iter():
print(sub.tag)
print(sub.text)原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。