Python解析库lxml与xpath用法总结

电玩女神 2022-11-08 06:13 238阅读 0赞

本文主要围绕以xpath和lxml库进行展开：

一、xpath 概念、xpath节点、xpath语法、xpath轴、xpath运算符

二、lxml的安装、lxml的使用、lxml案例

**一、xpath**

**1.xpath概念**

XPath 是一门在 XML 文档中查找信息的语言。XPath 使用路径表达式在 XML 文档中进行导航 。XPath 包含一个标准函数库 。XPath 是 XSLT 中的主要元素 。XPath 是一个 W3C 标准 。

**2.xpath节点**

xpath有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。

节点关系：父、子、兄弟、先辈、后辈。

**3.xpath语法**

xpath语法在W3c网站上有详细的介绍，这里截取部分知识，供大家学习。

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。下面列出了最有用的路径表达式：

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>nodename</td> 
   <td>选取此节点的所有子节点。</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> 
 </tbody> 
</table>

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：

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <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> 
 </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。

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：

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <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 &nbsp;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> 
 <thead> 
  <tr> 
   <th>通配符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <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>

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：

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <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。

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：

<table> 
 <thead> 
  <tr> 
   <th>路径表达式</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>//book/title</td> 
   <td>//book/price</td> 
  </tr> 
  <tr> 
   <td>//title</td> 
   <td>//price</td> 
  </tr> 
  <tr> 
   <td>/bookstore/book/title</td> 
   <td>//price</td> 
  </tr> 
 </tbody> 
</table>

**4.xpath 轴**

轴可定义相对于当前节点的节点集。

<table> 
 <thead> 
  <tr> 
   <th>轴名称</th> 
   <th>结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <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>

**5.xpath运算符**

下面列出了可用在 XPath 表达式中的运算符：

<table> 
 <thead> 
  <tr> 
   <th>运算符</th> 
   <th>描述</th> 
   <th>实例</th> 
   <th>返回值</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td></td> 
   <td></td> 
   <td>计算两个节点集</td> 
   <td>//book</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>

好了，xpath的内容就这么多了。接下来我们要介绍一个神器lxml，他的速度很快，曾经一直是我使用beautifulsoup时最钟爱的解析器，没有之一，因为他的速度的确比其他的html.parser 和html5lib快了许多。

**二、lxml**

**1.lxml安装**

lxml 是一个xpath格式解析模块，安装很方便，直接pip install lxml 或者easy\_install lxml即可。

**2.lxml 使用**

lxml提供了两种解析网页的方式，一种是你解析自己写的离线网页时，另一种 则是解析线上网页。

导入包：

from lxml import  etree

1.解析离线网页：

html=etree.parse('xx.html',etree.HTMLParser())
    aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href')
    print(aa)

2.解析在线网页：

from lxml import etree
    import requests
    rep=requests.get('https://www.baidu.com')
    html=etree.HTML(rep.text)
    aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href')
    print(aa)

那么我们怎么获取这些标签和标签对应的属性值了，很简单，首先获取标签只需你这样做：

![20210313111212431.png][]

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

然后我们可以，比方说，你要获取a标签内的文本和它的属性href所对应的值，有两种方法，

1.表达式内获取

aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/text()')
    
    ab=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href')

2.表达式外获取

aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]')
    
    aa.text
    
    aa.attrib.get('href')

这样就完成了获取，怎么样，是不是很简单了，哈哈哈。

下面再来lxml的解析规则：

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>nodename</td> 
   <td>选取此节点的所有子节点</td> 
  </tr> 
  <tr> 
   <td>/</td> 
   <td>从当前节点选取直接子节点</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>从当前节点选取子孙节点</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> 
 </tbody> 
</table>

html = lxml.etree.HTML(text)
    #使用text构造一个XPath解析对象,etree模块可以自动修正HTML文本
    html = lxml.etree.parse('./ex.html',etree.HTMLParser())
    #直接读取文本进行解析
    from lxml import etree
    result = html.xpath('//*')
    #选取所有节点
    result = html.xpath('//li')
    #获取所有li节点
    result = html.xpath('//li/a')
    #获取所有li节点的直接a子节点
    result = html.xpath('//li//a')
    #获取所有li节点的所有a子孙节点
    result = html.xpath('//a[@href="link.html"]/../@class')
    #获取所有href属性为link.html的a节点的父节点的class属性
    result = html.xpath('//li[@class="ni"]')
    #获取所有class属性为ni的li节点
    result = html.xpath('//li/text()')
    #获取所有li节点的文本
    result = html.xpath('//li/a/@href')
    #获取所有li节点的a节点的href属性
    result = html.xpath('//li[contains(@class,"li")]/a/text())
    #当li的class属性有多个值时，需用contains函数完成匹配
    result = html.xpath('//li[contains(@class,"li") and @name="item"]/a/text()')
    #多属性匹配
    result = html.xpath('//li[1]/a/text()')
    result = html.xpath('//li[last()]/a/text()')
    result = html.xpath('//li[position()<3]/a/text()')
    result = html.xpath('//li[last()-2]/a/text()')
    #按序选择，中括号内为XPath提供的函数
    result = html.xpath('//li[1]/ancestor::*')
    #获取祖先节点
    result = html.xpath('//li[1]/ancestor::div')
    result = html.xpath('//li[1]/attribute::*')
    #获取属性值
    result = html.xpath('//li[1]/child::a[@href="link1.html"]')
    #获取直接子节点
    result = html.xpath('//li[1]/descendant::span')
    #获取所有子孙节点
    result = html.xpath('//li[1]/following::*[2]')
    #获取当前节点之后的所有节点的第二个
    result = html.xpath('//li[1]/following-sibling::*')
    #获取后续所有同级节点

**3.lxml案例**

为了偷懒，小编决定还是采用urllib那篇文章的代码，哈哈哈，机智如我。

![20210313111212730.png][]

好了，今天就讲这么多，大家感兴趣的话可以多多关注哦，精彩不停息！！！！

本文参考文献：

https://www.w3school.com.cn/

想学习更多前端、Python爬虫、大数据等计算机知识，请前往：[http://pdcfighting.com/][http_pdcfighting.com] 想学习更多Python网络爬虫与数据挖掘知识，可前往专业网站：[http://pdcfighting.com/][http_pdcfighting.com]

[20210313111212431.png]: /images/20221023/495d46d45de24c8380f3fea067d71930.png
[20210313111212730.png]: /images/20221023/72b6b793c2694f738ffc8e076a216ef1.png
[http_pdcfighting.com]: http://pdcfighting.com/