09-XPath 语言-python爬虫

柔情只为你懂 2022-12-10 14:41 134阅读 0赞

# XPath 语言 #

XPath（XML Path Language）是XML路径语言,它是一种用来定位XML文档中某部分位置的语言。

## ##

### **学习目的** ###

**将HTML转换成XML文档之后，用XPath查找HTML节点或元素**

比如用“/”来作为上下层级间的分隔，第一个“/”表示文档的根节点（注意，不是指文档最外层的tag节点，而是指文档本身）。

比如对于一个HTML文件来说，最外层的节点应该是"/html"。

## ##

### **XPath开发工具** ###

*  开源的XPath表达式编辑工具:XMLQuire(XML格式文件可用)
 *  chrome插件 XPath Helper
 *  直接在console 里面输入 $x("xpath选择器")

![a65ba2917b9a848a030f221ad010c820.png][]

*  firefox插件 XPath Checker

![e4af0264301f2790a5198aa8d1ffc294.png][]

XPath语法参考文档：

http://www.w3school.com.cn/xpath/index.asp

## ##

### **XPath语法** ###

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。**

<?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>/</td> 
   <td>从根节点选取。</td> 
  </tr> 
  <tr> 
   <td>nodename</td> 
   <td>选取此节点的<strong>所有子节点</strong>。</td> 
  </tr> 
  <tr> 
   <td>//</td> 
   <td>从当前节点 选择&nbsp;<strong>所有匹配</strong>文档中的节点</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>

> 实例

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</td> 
   <td>选取 bookstore 元素的所有子节点。默认从根节点选取</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>//book/./title</td> 
   <td>选取所有 book 子元素，从当前节点查找title节点</td> 
  </tr> 
  <tr> 
   <td>//price/..</td> 
   <td>选取所有 book 子元素，从当前节点查找父节点</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>

![a2d1e0b439fdc8f19daf21752ea6ae3f.png][]

谓语条件（Predicates）

*  谓语用来查找**某个特定的信息**或者**包含某个指定的值**的节点。
 *  所谓"谓语条件"，就是对路径表达式的附加条件
 *  谓语是**被嵌在方括号**中，都写在方括号"\[\]"中，表示对节点进行进一步的筛选。

> **实例**

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>//book[price]</td> 
   <td>选取所有 book 元素，且被选中的book元素必须带有price子元素</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>

![a2bd7fd3ea819497fcd9d67f3dfa5239.png][]

**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> 
 </tbody> 
</table>

> **实例**

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。

> **实例**

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 | //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 高级用法** ###

*  **模糊查询 contains**

目前许多web框架，都是动态生成界面的元素id，因此在每次操作相同界面时，ID都是变化的，这样为自动化测试造成了一定的影响。

解决方法使用xpath的匹配功能，`//input[contains(@id,'nt')]`

*  **测试使用的XML**

<Root>
    
    <Person ID="1001" >
    
    <Name lang="zh-cn" >张城斌</Name>
    
    <Email xmlns="www.quicklearn.cn" > cbcye@live.com </Email>
    
    <Blog>http://cbcye.cnblogs.com</Blog>
    
    </Person>
    
    <Person ID="1002" >
    
    <Name lang="en" >Gary Zhang</Name>
    
    <Email xmlns="www.quicklearn.cn" > GaryZhang@cbcye.com</Email>
    
    <Blog>http://www.quicklearn.cn</Blog>
    
    </Person>
    
    </Root>

*  查询所有Blog节点值中带有 cn 字符串的Person节点Xpath表达式：

/Root//Person[contains(Blog,'cn')]

查询所有Blog节点值中带有 cn 字符串并且属性ID值中有01的Person节点

Xpath表达式：

/Root//Person[contains(Blog,'cn') and contains(@ID,'01')]

# **学习笔记** #

**1.依靠自己的属性，文本定位**

//td[text()='Data Import']
    
    //div[contains(@class,'cux-rightArrowIcon-on')]
    
    //a[text()='马上注册']
    
    //input[@type='radio' and @value='1']     多条件
    
    //span[@name='bruce'][text()='bruce1'][1]   多条件
    
    //span[@id='bruce1' or text()='bruce2']  找出多个
    
    //span[text()='bruce1' and text()='bruce2']  找出多个

**2.依靠父节点定位**

//div[@class='x-grid-col-name x-grid-cell-inner']/div
    
    //div[@id='dynamicGridTestInstanceformclearuxformdiv']/div
    
    //div[@id='test']/input

**3.依靠子节点定位**

//div[div[@id='navigation']]
    
    //div[div[@name='listType']]
    
    //div[p[@name='testname']]

**4.混合型**

//div[div[@name='listType']]//img
    
    //td[a//font[contains(text(),'seleleium2从零开始 视屏')]]//input[@type='checkbox']

**5.进阶部分**

//input[@id='123']/following-sibling::input   找下一个兄弟节点
    
    //input[@id='123']/preceding-sibling::span    上一个兄弟节点
    
    //input[starts-with(@id,'123')]               以什么开头
    
    //span[not(contains(text(),'xpath')）]        不包含xpath字段的span

**6.索引**

//div/input[2]
    
    //div[@id='position']/span[3]
    
    //div[@id='position']/span[position()=3]
    
    //div[@id='position']/span[position()>3]
    
    //div[@id='position']/span[position()<3]
    
    //div[@id='position']/span[last()]
    
    //div[@id='position']/span[last()-1]

**7.substring 截取判断**

<div data-for="result" id="swfEveryCookieWrap"></div>
    
    //*[substring(@id,4,5)='Every']/@id  截取该属性 定位3,取长度5的字符
    
    //*[substring(@id,4)='EveryCookieWrap']  截取该属性从定位3 到最后的字符
    
    //*[substring-before(@id,'C')='swfEvery']/@id   属性 'C'之前的字符匹配
    
    //*[substring-after(@id,'C')='ookieWrap']/@id   属性'C之后的字符匹配

**8.通配符\***

//span[@*='bruce']
    
    //*[@name='bruce']

**9.轴**

//div[span[text()='+++current node']]/parent::div    找父节点
    
    //div[span[text()='+++current node']]/ancestor::div    找祖先节点

**10.孙子节点**

//div[span[text()='current note']]/descendant::div/span[text()='123']
    
    //div[span[text()='current note']]//div/span[text()='123']          
    两个表达的意思一样

**11.following pre**

// span[@class="fk fk_cur"]/../following::a       往下的所有a
    // span[@class="fk fk_cur"]/../preceding::a[1]    往上的所有a

## ##

### **xpath提取多个标签下的text** ###

在写爬虫的时候，经常会使用xpath进行数据的提取，对于如下的代码：

使用xpath提取是非常方便的。假设网页的源代码在selector中：

data = selector.xpath('//div[@id="test1"]/text()').extract()[0]

就可以把“大家好！”提取到data变量中去。

然而如果遇到下面这段代码呢？

<div id="test2">美女，<font color=red>你的微信是多少？</font><div>

如果使用：

data = selector.xpath('//div[@id="test2"]/text()').extract()[0]

只能提取到“美女，”；

如果使用：

data = selector.xpath('//div[@id="test2"]/font/text()').extract()[0]

又只能提取到“你的微信是多少？”

**可是我本意是想把“美女，你的微信是多少？”这一整个句子提取出来。**

<div id="test3">我左青龙，<span id="tiger">右白虎，<ul>上朱雀，<li>下玄武。</li></ul>老牛在当中，</span>龙头在胸口。<div>

而且内部的标签还不固定，如果我有一百段这样类似的html代码，又如何使用xpath表达式，以最快最方便的方式提取出来？

**使用xpath的string(.)**

以第三段代码为例：

data = selector.xpath('//div[@id="test3"]')
    info = data.xpath('string(.)').extract()[0]

这样，就可以把“我左青龙，右白虎，上朱雀，下玄武。老牛在当中，龙头在胸口”整个句子提取出来，赋值给info变量。

<table> 
 <tbody> 
  <tr> 
   <td> <p><img alt="" height="102" src="https://img-blog.csdnimg.cn/img_convert/9d33579c1dcd8bd81044937288066036.png" width="102"></p> <p>IT入门&nbsp;感谢关注</p> </td> 
   <td> <p>&nbsp;</p> &nbsp; <p>练习地址：<a href="http://www.520mg.com/it" rel="nofollow">www.520mg.com/it</a></p> <p><a href="https://blog.csdn.net/bigzql/category_10279338.html" rel="nofollow">0基础python爬虫系列教程</a></p> </td> 
  </tr> 
 </tbody> 
</table>

[a65ba2917b9a848a030f221ad010c820.png]: /images/20221123/7408b987cd384dabbfb6996b154eca57.png
[e4af0264301f2790a5198aa8d1ffc294.png]: /images/20221123/394247824f3a48888d730c40cdabaae0.png
[a2d1e0b439fdc8f19daf21752ea6ae3f.png]: /images/20221123/fe625915b7624a01b496c1963574b1f5.png
[a2bd7fd3ea819497fcd9d67f3dfa5239.png]: /images/20221123/96479091a8444eafbd40ae0e3fe66016.png