数据解析之 XPath & lxml 库

村雨遥

发布于 2022-06-15 09:23:46

4470

发布于 2022-06-15 09:23:46

文章被收录于专栏：JavaPark

XPath

定义

即XML路径语言(XML Path Language)，是一种用来确定XML文档中某部分位置的语言，它基于XML的树状结构，提供在数据结构树中寻找节点的能力，也适用于HTML文档中；

开发工具

Chrome 在Chrome的应用商店搜索XPath Helper，然后安装这个插件即可；

Firefox 同样的方式，在应用中心查找XPath Checker，然后安装这个插件即可，由于未使用Firefox，便不再演示；

语法

节点选取

表达式	描述	示例
nodename	选词当前节点下节点的所有子节点	div
/	若在最前，则表示从根节点开始选取，否则选择某节点下的某个节点	/div
//	从全局节点中选取某一节点所在所有位置	//div
@	选取某一节点属性	//div[@color]
.	选取当前节点	./div
…	选取当前节点的父节点	…/div

谓语

路径表达式	描述
/markstore/mark[1]	选取markstore下第一个元素
/markstore/mark[last()]	选取markstore下倒数第二个mark元素
markstore/mark[position()<5]	选取markstore下前四个子元素
//mark[@id]	选取拥有id的mark元素
//mark[@id=‘k’]	选取id属性为k的mark元素

通配符

通配符	描述
*	匹配任意节点
@*	匹配节点中的任意属性
node()	匹配任何类型的节点

注意事项

使用方式：//获取当前页面所有元素，然后写标签名，最后写谓词进行提取；
/和//的区别：/代表只获取直接子节点，//代表获取子孙节点；

lxml库

安装

使用如下命令安装即可，

pip install lxml

使用

from lxml import etree

text = '''
<div>
    <ul>
        <li class="id-1"><a href="www.baidu.com">baidu</a></li>
        <li class="id-2"><a href="www.google.com">Google</a></li>
        <li class="id-3 id-4" name='item'><a href="www.taobao.com">Taobao</li>
    </ul>
</div>
'''
# 解析字符串为html文档
html = etree.HTML(text)
# 字符串序列化为html文档,会自动修正HTML文本
result = etree.tostring(html, encoding='utf-8')
print(result.decode('utf-8'))

# 从文件读取
parser = etree.HTMLParser(encoding='utf-8')
html = etree.parse('csdn.html', parser=parser)

# 获取所有a标签的href属性
aList = html.xpath('//a/@href')
for a in aList:
    print(a)

# 属性多值匹配
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "id-4")/href/text()]')
print(result)

# 多属性匹配
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "id-4") and @name="item"]/href/text()')
print(result)

# 按序选择
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="links.html">fifth item</a></li> 
</ul> 
</div>
"""
html = etree.HTML(text)
# 注意，xpath匹配中序号是以1开头的，而不是以0开头的
result = html.xpath('//li[1]/a/text()')
print(result)
result = html.xpath('//li[last()]/a//text()')
print(result)
result = html.xpath('//li[last()-2]/a/text()')
print(result)
result = html.xpath('//li[position()<3]/a/text()')
print(result)