python如何使用xpath
一、简介
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。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。
二、安装
pip3installlxml
三、使用
1、导入
fromlxmlimportetree
2、基本使用
fromlxmlimportetree
wb_data="""
<div>
<ul>
<li><ahref="link1.html">firstitem</a></li>
<li><ahref="link2.html">seconditem</a></li>
<li><ahref="link3.html">thirditem</a></li>
<li><ahref="link4.html">fourthitem</a></li>
<li><ahref="link5.html">fifthitem</a>
</ul>
</div>
"""
html=etree.HTML(wb_data)
print(html)
result=etree.tostring(html)
print(result.decode("utf-8"))
从下面的结果来看，我们打印机html其实就是一个python对象，etree.tostring(html)则是不全里html的基本写法，补全了缺胳膊少腿的标签。
<Elementhtmlat0x39e58f0> <html><body><div> <ul> <li><ahref="link1.html">firstitem</a></li> <li><ahref="link2.html">seconditem</a></li> <li><ahref="link3.html">thirditem</a></li> <li><ahref="link4.html">fourthitem</a></li> <li><ahref="link5.html">fifthitem</a> </li></ul> </div> </body></html>
3、获取某个标签的内容(基本使用)，注意，获取a标签的所有内容，a后面就不用再加正斜杠，否则报错。
写法一
html=etree.HTML(wb_data)
html_data=html.xpath('/html/body/div/ul/li/a')
print(html)
foriinhtml_data:
print(i.text)
<Elementhtmlat0x12fe4b8>
firstitem
seconditem
thirditem
fourthitem
fifthitem
写法二（直接在需要查找内容的标签后面加一个/text()就行）
html=etree.HTML(wb_data)
html_data=html.xpath('/html/body/div/ul/li/a/text()')
print(html)
foriinhtml_data:
print(i)
<Elementhtmlat0x138e4b8>
firstitem
seconditem
thirditem
fourthitem
fifthitem
4、打开读取html文件
#使用parse打开html的文件
html=etree.parse('test.html')
html_data=html.xpath('//*')<br>#打印是一个列表，需要遍历
print(html_data)
foriinhtml_data:
print(i.text)
html=etree.parse('test.html')
html_data=etree.tostring(html,pretty_print=True)
res=html_data.decode('utf-8')
print(res)
打印：
<div>
<ul>
<li><ahref="link1.html">firstitem</a></li>
<li><ahref="link2.html">seconditem</a></li>
<li><ahref="link3.html">thirditem</a></li>
<li><ahref="link4.html">fourthitem</a></li>
<li><ahref="link5.html">fifthitem</a></li>
</ul>
</div>
5、打印指定路径下a标签的属性（可以通过遍历拿到某个属性的值，查找标签的内容）
html=etree.HTML(wb_data)
html_data=html.xpath('/html/body/div/ul/li/a/@href')
foriinhtml_data:
print(i)
打印：
link1.html
link2.html
link3.html
link4.html
link5.html
6、我们知道我们使用xpath拿到得都是一个个的ElementTree对象，所以如果需要查找内容的话，还需要遍历拿到数据的列表。
查到绝对路径下a标签属性等于link2.html的内容。
html=etree.HTML(wb_data)
html_data=html.xpath('/html/body/div/ul/li/a[@href="link2.html"]/text()')
print(html_data)
foriinhtml_data:
print(i)
打印：
['seconditem']
seconditem
7、上面我们找到全部都是绝对路径（每一个都是从根开始查找），下面我们查找相对路径，例如，查找所有li标签下的a标签内容。
html=etree.HTML(wb_data)
html_data=html.xpath('//li/a/text()')
print(html_data)
foriinhtml_data:
print(i)
打印：
['firstitem','seconditem','thirditem','fourthitem','fifthitem']
firstitem
seconditem
thirditem
fourthitem
fifthitem
8、上面我们使用绝对路径，查找了所有a标签的属性等于href属性值，利用的是/---绝对路径，下面我们使用相对路径，查找一下l相对路径下li标签下的a标签下的href属性的值，注意，a标签后面需要双//。
html=etree.HTML(wb_data)
html_data=html.xpath('//li/a//@href')
print(html_data)
foriinhtml_data:
print(i)
打印：
['link1.html','link2.html','link3.html','link4.html','link5.html']
link1.html
link2.html
link3.html
link4.html
link5.html
9、相对路径下跟绝对路径下查特定属性的方法类似，也可以说相同。
html=etree.HTML(wb_data)
html_data=html.xpath('//li/a[@href="link2.html"]')
print(html_data)
foriinhtml_data:
print(i.text)
打印：
[<Elementaat0x216e468>]
seconditem
10、查找最后一个li标签里的a标签的href属性
html=etree.HTML(wb_data)
html_data=html.xpath('//li[last()]/a/text()')
print(html_data)
foriinhtml_data:
print(i)
打印：
['fifthitem']
fifthitem
11、查找倒数第二个li标签里的a标签的href属性
html=etree.HTML(wb_data)
html_data=html.xpath('//li[last()-1]/a/text()')
print(html_data)
foriinhtml_data:
print(i)
打印：
['fourthitem']
fourthitem
12、如果在提取某个页面的某个标签的xpath路径的话，可以如下图：
//*[@id="kw"]
解释：使用相对路径查找所有的标签，属性id等于kw的标签。
#!/usr/bin/envpython
#-*-coding:utf-8-*-
fromscrapy.selectorimportSelector,HtmlXPathSelector
fromscrapy.httpimportHtmlResponse
html="""<!DOCTYPEhtml>
<html>
<head>
<metacharset="UTF-8">
<title></title>
</head>
<body>
<ul>
<li><aid='i1'href="link.html">firstitem</a></li>
<li><aid='i2'href="llink.html">firstitem</a></li>
<li><ahref="llink2.html">seconditem<span>vv</span></a></li>
</ul>
<div><ahref="llink2.html">seconditem</a></div>
</body>
</html>
"""
response=HtmlResponse(url='http://example.com',body=html,encoding='utf-8')
#hxs=HtmlXPathSelector(response)
#print(hxs)
#hxs=Selector(response=response).xpath('//a')
#print(hxs)
#hxs=Selector(response=response).xpath('//a[2]')
#print(hxs)
#hxs=Selector(response=response).xpath('//a[@id]')
#print(hxs)
#hxs=Selector(response=response).xpath('//a[@id="i1"]')
#print(hxs)
#hxs=Selector(response=response).xpath('//a[@href="link.html"][@id="i1"]')
#print(hxs)
#hxs=Selector(response=response).xpath('//a[contains(@href,"link")]')
#print(hxs)
#hxs=Selector(response=response).xpath('//a[starts-with(@href,"link")]')
#print(hxs)
#hxs=Selector(response=response).xpath('//a[re:test(@id,"i\d+")]')
#print(hxs)
#hxs=Selector(response=response).xpath('//a[re:test(@id,"i\d+")]/text()').extract()
#print(hxs)
#hxs=Selector(response=response).xpath('//a[re:test(@id,"i\d+")]/@href').extract()
#print(hxs)
#hxs=Selector(response=response).xpath('/html/body/ul/li/a/@href').extract()
#print(hxs)
#hxs=Selector(response=response).xpath('//body/ul/li/a/@href').extract_first()
#print(hxs)
#ul_list=Selector(response=response).xpath('//body/ul/li')
#foriteminul_list:
#v=item.xpath('./a/span')
##或
##v=item.xpath('a/span')
##或
##v=item.xpath('*/a/span')
#print(v)
python学习网，大量的免费python视频教程，欢迎在线学习！
THE END
下一篇
