[Xpath] Xpath基础知识

1.Xpath(XML Path Language)介绍

Xpath用于在HTML文档中通过元素(HTML标签)和属性(HTML标签的属性)进行数据定位

Xpath的优势:灵活且稳定
HTML树状结构

HTML的结构是树形结构,HTML是根节点,所有的其他元素节点都是从根节点发出的,其他元素都是这棵树上的节点Node,每个节点还可能有属性和文本

所有的HTML标签都有很强的层级关系,正是基于这种层级关系,Xpath语法能够选择出我们想要的数据

节点之间的关系

父节点(Parent):html 是 body 和 head 节点的父节点

子节点(Child):head 和 body 是 html 的子节点

兄弟节点(Sibling):拥有相同的父节点,head 和 body 就是兄弟节点,title 和 div 不是兄弟节点,因为他们不是同一个父节点

祖先节点(Ancestor):body 是 form 的祖先节点

后代节点(Descendant):form 是 html 的后代节点

Xpath中的绝对路径与相对路径

Xpath中的绝对路径从HTML根节点开始算,相对路径从任意节点开始

我们可以通过开发者工具,拷贝Xpath的绝对路径和相对路径

1.1 Xpath基础语法

|---------|-----------------|
| 表达式 | 描述 |
| / | 从根节点开始选取 |
| // | 从任意节点开始选取 |
| . | 选取当前节点 |
| .. | 选取当前节点的父节点 |
| @ | 选取属性或者根据属性选取 |
| * | 通配符,表示任意节点或任意属性 |

示例

1.如果想选择HTML文档中所有的<p>标签,使用的Xpath表达式://p

2.如果想选择拥有href属性的所有<a>标签,使用的Xpath表达式://a[@href]

用[]括号内添加@,将标签属性填入进去,将含有该标签属性的部分提取出来

3.如果想选择文本内容等于"Hello"的所有元素,使用的Xpath表达式://*[test()='Hello']

4.如果想选择所有<ul>标签的直接<li>子元素,使用的Xpath表达式://ul/li

5.如果想选择所有拥有id=u1的div标签下的所有节点,使用的Xpath表达式://div[@id='u1']/*

6.如果想选择所有拥有属性的meat标签,使用的Xpath表达式://meta[@*]

@*表示匹配任何属性节点

7.如果想选择所有的meat和title标签,使用的Xpath表达式://meta | //title

使用 | 来表示选择多个路径,等价于"和"或者"或"的效果

8.如果想选择所有<ul>标签的最后一个<li>子元素,使用的Xpath表达式://ul/li[last()]

9.如果想选择所有<ul>标签的倒数第二个<li>子元素,使用的Xpath表达式://ul/li[last()-1]

元素属性定位

① 根据属性名定位元素

定位具有特定属性名的元素:

//*[@attribute_name]

示例://*[@class] 会匹配所有具有 "class" 属性的元素

② 根据属性名和属性值定位元素

定位具有特定属性名和属性值的元素:

//*[@attribute_name='value']

示例://*[@id='myElement'] 会匹配 id 属性值为 "myElement" 的元素

③ 根据部分属性值定位元素

定位具有属性值包含特定文本的元素:

//*[contains(@attribute_name,'value')]

示例://*[contains(@class,'active')] 会匹配 class 属性值包含 "active" 的元素

④ 根据多个属性进行定位

定位具有多个属性及其对应值的元素:

//*[@attribute_name_1='value_1' and @attribute_name_2='value_2']

示例://*[@class='active' and @data-type='button'] 会匹配同时具有 class 属性值为"active" 和 data-type 属性值为 "button" 的元素

层级属性结合定位

① 定位父元素下的子元素

通过指定父元素和子元素的标签名来定位元素:

//父元素名/子元素名

②定位特定属性的父元素下的子元素

通过指定父元素的属性和属性值,再结合子元素的标签名来定位元素

//父元素名[@属性名='属性值']/子元素名

示例://div[@class='container']/p 会匹配 class 属性为 "container" 的<div>元素下的所有<p>元素

③ 定位特定属性的父元素下的特定属性的子元素

通过指定父元素和子元素的属性条件来定位元素

//父元素名[@属性名1='属性值1']/子元素名[@属性名2='属性值2']

示例://ul[@id='menu']/li[@class='active'] 会匹配 id 属性为 "menu" 的<ul>元素下的class 属性为 "active" 的所有<li>元素

使用谓语定位

① 定位符合特定索引的元素

通过位置索引来定位元素(索引值从1开始)

//tagname[position()]

示例://ul/li[position() = 3] 可以匹配位于<ul>下的第三个<li>元素

//head/meta[position() < 3] 选择所有<head>下的前2个<meta>元素

//head/meta[last()] 选择所有<head>下的最后一个<meta>元素

//head/meta[k] 选择所有<head>下的第k个<meta>元素

提示Tips:[k]表示当前位置下的第k个元素

② 定位满足特定属性条件的元素

通过属性条件来定位元素

//tagname[@attribute='value']

示例://input[@type='text'] 可以匹配所有type属性值为"text" 的<input>元素

③ 结合多个条件定位元素

使用逻辑运算符and结合多个属性条件来定位元素

示例://a[@class='active' and @href='/home']可以匹配同时满足class属性值为 "active" 和href属性值为 "/home" 的<a>元素

④ 通过文本内容定位元素

通过文本内容来定位元素

//tagname[text()='value']

示例://h1[text()='Welcome'] 可以匹配文本内容为 "Welcome" 的<h1>元素

使用逻辑运算符定位

① 使用 and 运算符

通过结合多个属性条件,使用and运算符定位元素

//tagname[@attribute1='value1' and @attribute2='value2']

示例://input[@type='text' and @name='username'] 可以匹配type属性为"text"且name属性为"username"的<input>元素

② 使用 or 运算符

通过结合多个属性条件,使用or运算符定位元素

//tagname[@attribute1='value1' or @attribute2='value2']

示例://a[@class='active' or @class='highlight'] 可以匹配class属性为"active"或"class"属性为"highlight"的<a>元素

③ 使用 not 运算符

使用not运算符否定一个属性条件,定位不满足该条件的元素

//tagname[not(@attribute='value')]

示例://div[not(@class='header')] 可以匹配class属性不为"header"的<div>元素

使用文本定位

① 定位文本内容相等的元素

匹配文本内容与指定值相等的元素

//tagname[text()='value']

示例://a[text()='Login'] 可以匹配文本为"Login"的所有<a>元素

② 定位包含指定文本内容的元素

匹配包含指定值的文本内容的元素

//tagname[contains(text(), 'value')]

示例://p[contains(text(), 'Lorem ipsum')] 可以匹配包含"Lorem ipsum"文本的所有<p>元素

③ 根据包含特定关键词的文本内容定位元素

匹配文本内容中包含特定关键词的元素

//tagname[contains(text(), 'keyword')]

示例://h2[contains(text(), 'Contact')] 可以匹配文本内容中包含"Contact"关键词的<h2>元素

使用函数定位

|-------------|-----------------|---------------------------------------------------------------------|
| 函数 | 说明 | 举例 |
| contains | 选取属性或者文本包含某些字符 | //div[contains(@id, 'data')] 选取 id 属性包含 data 的 div 元素 |
| starts-with | 选取属性或者文本以某些字符开头 | //div[starts-with(@id, 'data')] 选取 id 属性以 data 开头的 div 元素 |
| ends-with | 选取属性或者文本以某些字符结尾 | //div[ends-with(@id, 'require')] 选取 id 属性以 require 结尾的 div 元素 |

轴方式定位

python 复制代码
轴表达式说明

parent::* :表示当前节点的父节点元素

ancestor::* :表示当前节点的祖先节点元素

child::* :表示当前节点的子元素 

descendant::* 表示当前节点的后代元素

self::* :表示当前节点的自身元素

ancestor-or-self::* :表示当前节点本身以及它的祖先节点元素

descendant-or-self::* :表示当前节点本身以及它的后代元素

following-sibling::* :表示当前节点的后序所有兄弟节点元素

preceding-sibling::* :表示当前节点的之前所有兄弟节点元素

following::* :表示当前节点的结束标签之后的所有节点元素

preceding::* :表示当前节点的开始标签之前的所有节点元素

① parent::* 表示当前节点的父节点元素

//div[@class="cell" and text()='1338']/parent::*

如上图所示,我们要定位到商品ID为1338元素的父节点元素,可以使用上面的xpath轴定位, "*" 表示匹配所有

② following-sibling::* 表示当前节点的后序所有兄弟节点元素

//div[3]/table/tbody/tr[1]/td[1]/following-sibling::*

查找td[1]下同级的所有节点,"*"表示所有

③ parent::* 表示当前节点的父节点元素

/bookstore/book[2]/year/parent::*

④ descendant::* 表示当前节点的所有后代元素

/bookstore/book[2]/descendant::*

1.2 Xpath语法验证

在开发者工具的 Elements 中按Ctrl + F,在搜索框中输入 Xpath

1.3 lxml的基本使用

Python中的lxml库能够将html字符串进行解析,供Xpath语法进行数据提取

python 复制代码
# 导入模块
from lxml import etree
# html源代码
web_data = """
        <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>
        """

# 使用etree.HTML将字符串解析为HTML文档
element = etree.HTML(web_data)
# 打印解析后的html文档
# result = etree.tostring(element,encoding='utf-8').decode('utf-8')

# 使用xpath函数填写相应的Xpath语法完成内容提取(xpath函数提取数据返回的结果是列表)
# 获取li标签下面的a标签的href
links = element.xpath('//ul/li/a/@href')
print(links)  # ['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']

# 获取li标签下面的a标签的文本数据
items = element.xpath('//ul/li/a/text()')
print(items)  # ['first item', 'second item', 'third item', 'fourth item', 'fifth item']

补充扩展:使用Xpath提取指定内容信息以后,存储全部信息

相关推荐
人生の三重奏17 天前
scrapy案例——当当网的爬取一
爬虫·scrapy·xpath
皆过客,揽星河22 天前
Python爬虫之正则表达式于xpath的使用教学及案例
爬虫·python·正则表达式·xpath·网页爬虫·豆瓣电影·照片爬取
worxfr1 个月前
Python Selenium常用语法汇总(包含XPath语法)
开发语言·python·selenium·xpath
NPE~1 个月前
爬虫入门 & Selenium使用
爬虫·python·selenium·测试工具·xpath
OEC小胖胖1 个月前
XPath基础知识点讲解——用于在XML中查找信息的语言
xml·java·javascript·xpath
MAR-Sky2 个月前
python爬虫中json和xml字符串的xPath和jsonpath过滤语法区别对比
xml·爬虫·python·json·xpath
MAR-Sky2 个月前
在python爬虫中xpath方式提取lxml.etree._ElementUnicodeResult转化为字符串str类型
爬虫·python·xpath·数据类型转换
Shadow℘Coder3 个月前
爬虫实战:数据请求与解析(4种不同方式的数据解析)
爬虫·python·xpath·数据解析·pyquery·beautiful soup
醉公子~4 个月前
批量爬取B站网络视频信息
爬虫·python·xpath·b站