您现在的位置是：首页 > Python

当前栏目

Python中使用XPath

Python

2023-03-02 11:12:03 时间

**目录**

XPath简介

XPath语法

选取节点

谓语（Predicates）

选取未知节点

选取若干路径

XPath 轴

XPath 运算符

使用lxml

--------------------

摘自W3School官方文档：[http://www.w3school.com.cn/xpath/index.asp][http_www.w3school.com.cn_xpath_index.asp]

# XPath简介 #

XPath （XML Path Language）是一门在 HTML\\XML 文档中查找信息的语言，可用来在 HTML\\XML 文档中对元素和属性进行遍历。在Python爬虫中，我们可以利用 XPath 快速地定位 HTML\\XML 响应中的特定元素以及获取节点的信息，并且通常情况下会比使用正则表达式提取更简单而且更高效。

Chrome插件XPath Helper网盘链接：[https://pan.baidu.com/s/1MHw9t5oQuFtH94Zox\_bLkg][https_pan.baidu.com_s_1MHw9t5oQuFtH94Zox_bLkg]

提取码：4c5e

提示：在使用XPath Helper选择标签时，被选中的标签会自动添加属性 class="xh-highlight" 。

# XPath语法 #

我们将以下面的这个 XML 文档为例对XPath的语法进行示例。

<?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 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (step) 来选取的。

下面列出了最有用的路径表达式：

<table> 
 <tbody> 
 <tr> 
 <td> 表达式 </td> 
 <td> 描述 </td> 
 </tr> 
 <tr> 
 <td> nodename </td> 
 <td> 选取所有nodename子节点。 </td> 
 </tr> 
 <tr> 
 <td> / </td> 
 <td> 从根节点选取。 </td> 
 </tr> 
 <tr> 
 <td> // </td> 
 <td> 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 </td> 
 </tr> 
 <tr> 
 <td> . </td> 
 <td> 选取当前节点。 </td> 
 </tr> 
 <tr> 
 <td> .. </td> 
 <td> 选取当前节点的父节点。 </td> 
 </tr> 
 <tr> 
 <td> @ </td> 
 <td> 选取属性。 </td> 
 </tr> 
 <tr> 
 <td> text() </td> 
 <td> 选取文本。 </td> 
 </tr> 
 </tbody> 
</table>

下面是一些实例：

<table> 
 <tbody> 
 <tr> 
 <td> 路径表达式 </td> 
 <td> 结果 </td> 
 </tr> 
 <tr> 
 <td> bookstore </td> 
 <td> 选取 bookstore 元素的所有子节点。 </td> 
 </tr> 
 <tr> 
 <td> /bookstore </td> 
 <td> 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！ </td> 
 </tr> 
 <tr> 
 <td> bookstore/book </td> 
 <td> 选取属于 bookstore 的子元素的所有 book 元素。 </td> 
 </tr> 
 <tr> 
 <td> //book </td> 
 <td> 选取所有 book 子元素，而不管它们在文档中的位置。 </td> 
 </tr> 
 <tr> 
 <td> bookstore//book </td> 
 <td> 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。 </td> 
 </tr> 
 <tr> 
 <td> //@lang </td> 
 <td> 选取名为 lang 的所有属性。 </td> 
 </tr> 
 <tr> 
 <td>//title/text()</td> 
 <td>选取所有 title 元素的文本。</td> 
 </tr> 
 </tbody> 
</table>

## 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。

<table> 
 <tbody> 
 <tr> 
 <td> 路径表达式 </td> 
 <td> 结果 </td> 
 </tr> 
 <tr> 
 <td> /bookstore/book[1] </td> 
 <td> 选取属于 bookstore 子元素的第一个 book 元素。 </td> 
 </tr> 
 <tr> 
 <td> /bookstore/book[last()] </td> 
 <td> 选取属于 bookstore 子元素的最后一个 book 元素。 </td> 
 </tr> 
 <tr> 
 <td> /bookstore/book[last()-1] </td> 
 <td> 选取属于 bookstore 子元素的倒数第二个 book 元素。 </td> 
 </tr> 
 <tr> 
 <td> /bookstore/book[position()&lt;3] </td> 
 <td> 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 </td> 
 </tr> 
 <tr> 
 <td> //title[@lang] </td> 
 <td> 选取所有拥有名为 lang 的属性的 title 元素。 </td> 
 </tr> 
 <tr> 
 <td> //title[@lang='eng'] </td> 
 <td> 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。 </td> 
 </tr> 
 <tr> 
 <td> /bookstore/book[price&gt;35.00] </td> 
 <td> 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。 </td> 
 </tr> 
 <tr> 
 <td> /bookstore/book[price&gt;35.00]/title </td> 
 <td> 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。 </td> 
 </tr> 
 </tbody> 
</table>

## 选取未知节点 ##

XPath 通配符可用来选取未知的 XML 元素。

<table> 
 <tbody> 
 <tr> 
 <td> 通配符 </td> 
 <td> 描述 </td> 
 </tr> 
 <tr> 
 <td> * </td> 
 <td> 匹配任何元素节点。 </td> 
 </tr> 
 <tr> 
 <td> @* </td> 
 <td> 匹配任何属性节点。 </td> 
 </tr> 
 <tr> 
 <td> node() </td> 
 <td> 匹配任何类型的节点。 </td> 
 </tr> 
 </tbody> 
</table>

下面是一些实例：

<table> 
 <tbody> 
 <tr> 
 <td> 路径表达式 </td> 
 <td> 结果 </td> 
 </tr> 
 <tr> 
 <td> /bookstore/* </td> 
 <td> 选取 bookstore 元素的所有子元素。 </td> 
 </tr> 
 <tr> 
 <td> //* </td> 
 <td> 选取文档中的所有元素。 </td> 
 </tr> 
 <tr> 
 <td> //title[@*] </td> 
 <td> 选取所有带有属性的 title 元素。 </td> 
 </tr> 
 </tbody> 
</table>

## 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。

<table> 
 <tbody> 
 <tr> 
 <td> 路径表达式 </td> 
 <td> 结果 </td> 
 </tr> 
 <tr> 
 <td> //book/title | //book/price </td> 
 <td> 选取 book 元素的所有 title 和 price 元素。 </td> 
 </tr> 
 <tr> 
 <td> //title | //price </td> 
 <td> 选取文档中的所有 title 和 price 元素。 </td> 
 </tr> 
 <tr> 
 <td> /bookstore/book/title | //price </td> 
 <td> 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。 </td> 
 </tr> 
 </tbody> 
</table>

## XPath 轴 ##

轴可定义相对于当前节点的节点集。

<table> 
 <tbody> 
 <tr> 
 <td> 轴名称 </td> 
 <td> 结果 </td> 
 </tr> 
 <tr> 
 <td> ancestor </td> 
 <td> 选取当前节点的所有先辈（父、祖父等）。 </td> 
 </tr> 
 <tr> 
 <td> ancestor-or-self </td> 
 <td> 选取当前节点的所有先辈（父、祖父等）以及当前节点本身。 </td> 
 </tr> 
 <tr> 
 <td> attribute </td> 
 <td> 选取当前节点的所有属性。 </td> 
 </tr> 
 <tr> 
 <td> child </td> 
 <td> 选取当前节点的所有子元素。 </td> 
 </tr> 
 <tr> 
 <td> descendant </td> 
 <td> 选取当前节点的所有后代元素（子、孙等）。 </td> 
 </tr> 
 <tr> 
 <td> descendant-or-self </td> 
 <td> 选取当前节点的所有后代元素（子、孙等）以及当前节点本身。 </td> 
 </tr> 
 <tr> 
 <td> following </td> 
 <td> 选取文档中当前节点的结束标签之后的所有节点。 </td> 
 </tr> 
 <tr> 
 <td> namespace </td> 
 <td> 选取当前节点的所有命名空间节点。 </td> 
 </tr> 
 <tr> 
 <td> parent </td> 
 <td> 选取当前节点的父节点。 </td> 
 </tr> 
 <tr> 
 <td> preceding </td> 
 <td> 选取文档中当前节点的开始标签之前的所有节点。 </td> 
 </tr> 
 <tr> 
 <td> preceding-sibling </td> 
 <td> 选取当前节点之前的所有同级节点。 </td> 
 </tr> 
 <tr> 
 <td> self </td> 
 <td> 选取当前节点。 </td> 
 </tr> 
 </tbody> 
</table>

下面是一些实例：

<table> 
 <tbody> 
 <tr> 
 <td> 例子 </td> 
 <td> 结果 </td> 
 </tr> 
 <tr> 
 <td> child::book </td> 
 <td> 选取所有属于当前节点的子元素的 book 节点。 </td> 
 </tr> 
 <tr> 
 <td> attribute::lang </td> 
 <td> 选取当前节点的 lang 属性。 </td> 
 </tr> 
 <tr> 
 <td> child::* </td> 
 <td> 选取当前节点的所有子元素。 </td> 
 </tr> 
 <tr> 
 <td> attribute::* </td> 
 <td> 选取当前节点的所有属性。 </td> 
 </tr> 
 <tr> 
 <td> child::text() </td> 
 <td> 选取当前节点的所有文本子节点。 </td> 
 </tr> 
 <tr> 
 <td> child::node() </td> 
 <td> 选取当前节点的所有子节点。 </td> 
 </tr> 
 <tr> 
 <td> descendant::book </td> 
 <td> 选取当前节点的所有 book 后代。 </td> 
 </tr> 
 <tr> 
 <td> ancestor::book </td> 
 <td> 选择当前节点的所有 book 先辈。 </td> 
 </tr> 
 <tr> 
 <td> ancestor-or-self::book </td> 
 <td> 选取当前节点的所有 book 先辈以及当前节点（如果此节点是 book 节点） </td> 
 </tr> 
 <tr> 
 <td> child::*/child::price </td> 
 <td> 选取当前节点的所有 price 孙节点。 </td> 
 </tr> 
 </tbody> 
</table>

## XPath 运算符 ##

下面列出了可用在 XPath 表达式中的运算符：

<table> 
 <tbody> 
 <tr> 
 <td> 运算符 </td> 
 <td> 描述 </td> 
 <td> 实例 </td> 
 <td> 返回值 </td> 
 </tr> 
 <tr> 
 <td> | </td> 
 <td> 计算两个节点集 </td> 
 <td> //book | //cd </td> 
 <td> 返回所有拥有 book 和 cd 元素的节点集 </td> 
 </tr> 
 <tr> 
 <td> + </td> 
 <td> 加法 </td> 
 <td> 6 + 4 </td> 
 <td> 10 </td> 
 </tr> 
 <tr> 
 <td> - </td> 
 <td> 减法 </td> 
 <td> 6 - 4 </td> 
 <td> 2 </td> 
 </tr> 
 <tr> 
 <td> * </td> 
 <td> 乘法 </td> 
 <td> 6 * 4 </td> 
 <td> 24 </td> 
 </tr> 
 <tr> 
 <td> div </td> 
 <td> 除法 </td> 
 <td> 8 div 4 </td> 
 <td> 2 </td> 
 </tr> 
 <tr> 
 <td> = </td> 
 <td> 等于 </td> 
 <td> price=9.80 </td> 
 <td> 如果 price 是 9.80，则返回 true。 如果 price 是 9.90，则返回 false。 </td> 
 </tr> 
 <tr> 
 <td> != </td> 
 <td> 不等于 </td> 
 <td> price!=9.80 </td> 
 <td> 如果 price 是 9.90，则返回 true。 如果 price 是 9.80，则返回 false。 </td> 
 </tr> 
 <tr> 
 <td> &lt; </td> 
 <td> 小于 </td> 
 <td> price&lt;9.80 </td> 
 <td> 如果 price 是 9.00，则返回 true。 如果 price 是 9.90，则返回 false。 </td> 
 </tr> 
 <tr> 
 <td> &lt;= </td> 
 <td> 小于或等于 </td> 
 <td> price&lt;=9.80 </td> 
 <td> 如果 price 是 9.00，则返回 true。 如果 price 是 9.90，则返回 false。 </td> 
 </tr> 
 <tr> 
 <td> &gt; </td> 
 <td> 大于 </td> 
 <td> price&gt;9.80 </td> 
 <td> 如果 price 是 9.90，则返回 true。 如果 price 是 9.80，则返回 false。 </td> 
 </tr> 
 <tr> 
 <td> &gt;= </td> 
 <td> 大于或等于 </td> 
 <td> price&gt;=9.80 </td> 
 <td> 如果 price 是 9.90，则返回 true。 如果 price 是 9.70，则返回 false。 </td> 
 </tr> 
 <tr> 
 <td> or </td> 
 <td> 或 </td> 
 <td> price=9.80 or price=9.70 </td> 
 <td> 如果 price 是 9.80，则返回 true。 如果 price 是 9.50，则返回 false。 </td> 
 </tr> 
 <tr> 
 <td> and </td> 
 <td> 与 </td> 
 <td> price&gt;9.00 and price&lt;9.90 </td> 
 <td> 如果 price 是 9.80，则返回 true。 如果 price 是 8.50，则返回 false。 </td> 
 </tr> 
 <tr> 
 <td> mod </td> 
 <td> 计算除法的余数 </td> 
 <td> 5 mod 2 </td> 
 <td> 1 </td> 
 </tr> 
 </tbody> 
</table>

# 使用lxml #

lxml是Python的一个第三方解析库，支持HTML和XML解析，而且效率非常高，弥补了Python自带的xml标准库在XML解析方面的不足。

由于是第三方库，所以在使用 lxml 之前需要先安装：

pip install lxml

下面是一段示例代码

# coding=utf-8
 
 from lxml import etree
 
 xml_data = '''
 <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>
 '''
 
 # etree.HTML()可以接收str或者bytes类型数据，将其转化成 Element 对象
 html = etree.HTML(xml_data)
 # 从文件加载 HTML
 # html = etree.parse('test.html',etree.HTMLParser())
 
 # lxml 会自动修 HTML ，查看一下 lxml 修正后的结果
 print(etree.tostring(html, pretty_print=True).decode('utf-8'))
 
 # 获取 Learning XML 这本书的价格
 ret = html.xpath('//title[text()="Learning XML"]/following::price/text()')[0] if len(
 html.xpath('//title[text()="Learning XML"]/following::price/text()')) else None
 
 print(ret)

程序运行结果：

<html>
 <body><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>
 </body>
 </html>
 
 39.95

更多lxml API：[https://lxml.de/api/index.html][https_lxml.de_api_index.html]

[http_www.w3school.com.cn_xpath_index.asp]: http://www.w3school.com.cn/xpath/index.asp
[https_pan.baidu.com_s_1MHw9t5oQuFtH94Zox_bLkg]: https://pan.baidu.com/s/1MHw9t5oQuFtH94Zox_bLkg
[https_lxml.de_api_index.html]: https://lxml.de/api/index.html

猜你喜欢

基于Spring接口，集成Caffeine+Redis两级缓存
新版Linux在M2 MacBook Air可用，Linus Torvalds发布最新内核
JavaScript中的堆栈 Stack Heap 队列数据结构学习图片讲解
Vue2剥丝抽茧-响应式系统之分支切换
微软 Windows 11 Beta 预览版 Build 22621.450 和 22622.450 (KB5016700) 发布（附更新内容）
比各种清理大师靠谱！Edge浏览器新技术大幅提速
谷歌 Chrome 浏览器 104 正式版发布：加快网页加载，蓝牙 API 改进
JavaScript 中 Infinity 的奇异世界
2022年 JS 烧脑面试题，你能答对几道 ?
RocketMQ消息丢失如何排查？
递归代码都可以转为非递归吗 ?
一篇带给你运用CSS 绘制一个时钟
Java多线程并发编程，一定要巧用Future！
DevEco Device Tool：HDF框架一键生成！
巧用 Background-Clip 实现文字动效
HarmonyOS 实现一个滑块验证
Linux终端居然也可以做文件浏览器？
Java 代码基于开源组件生成带头像的二维码，推荐收藏！
React18正式版发布，未来发展趋势如何？
什么是虚拟机，为什么它们如此有用？

zl程序教程

当前栏目

Python中使用XPath

相关文章