XML
- XML(EXtensibleMarkupLanguage)
- 學習文檔: http://www.w3school.com.cn/xml/index.asp
- 案例1
- 概念:父節點,子節點,先輩節點,兄弟節點,後代節點
案例1:
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book category="cooking">
<title lang="en">Everyday Italian</title>
<author>Gidada De</author>
<year>2018</year>
<price>23</price>
</book>
<book category="education">
<title lang="en">Python is Python</title>
<author>Food War</author>
<year>2008</year>
<price>83</price>
</book>
<book category="sport">
<title lang="en">Running</title>
<author>Klaus Kuka</author>
<year>2010</year>
<price>43</price>
</book>
</bookstore>
XPath(python爬蟲使用XPath解析頁面和提取數據)
一、簡介
XPath即爲XML路徑語言,它是一種用來確定XML(標準通用標記語言的子集)文檔中某部分位置的語言。XPath基於XML的樹狀結構,有不同類型的節點,包括元素節點,屬性節點和文本節點,提供在數據結構樹中找尋節點的能力。
二、什麼是 XPath?
- XPath(XML Path Language), 是一門在XML文檔中查找信息的語言
- XPath 使用路徑表達式在 XML 文檔中進行導航
- XPath 包含一個標準函數庫
- XPath 是 XSLT 中的主要元素
- XPath 是一個 W3C 標準
- 官方文檔: http://www.w3school.com.cn/xpath/index.asp
- XPath開發工具:
- 開元的XPath表達式工具: XMLQuire
- chrome插件: Xpath Helper
- Firefox插件: XPath CHecker
三、使用xpath
1、導入模塊
#首先安裝庫 pip install lxml
import lxml
from lxml import etree
2、XPath Helper插件
- chrome插件網:http://www.cnplugins.com/
- GitHub下載:https://github.com/liangdongchang/tools
- 在谷歌瀏覽器添中加插件
- Ctrl + Shift + X打開或關閉插件
3、XPath 術語
節點(Node)
在 XPath 中,有七種類型的節點:元素、屬性、文本、命名空間、處理指令、註釋以及文檔(根)節點。XML 文檔是被作爲節點樹來對待的。樹的根被稱爲文檔節點或者根節點。
基本值(或稱原子值,Atomic value)
基本值是無父或無子的節點。
項目(Item)
項目是基本值或者節點。
節點關係
父(Parent)
每個元素以及屬性都有一個父。
子(Children)
元素節點可有零個、一個或多個子。
同胞(Sibling)
擁有相同的父的節點
先輩(Ancestor)
某節點的父、父的父,等等。
後代(Descendant)
某個節點的子,子的子,等等
4、選取節點
XPath 使用路徑表達式在 XML 文檔中選取節點。節點是通過沿着路徑或者 step 來選取的。 下面列出了最有用的路徑表達式:
表達式 |
描述 |
---|---|
/ |
從根節點選取。 |
// | 從匹配選擇的當前節點選擇文檔中的節點,而不考慮它們的位置。 |
. | 選取當前節點。 |
.. | 選取當前節點的父節點。 |
@ | 選取屬性。 |
nodename | 選取此節點的所有子節點 |
案例:
路徑表達式 | 結果 |
---|---|
bookstore | 選取 bookstore 元素的所有子節點。 |
/bookstore | 選取根元素 bookstore。註釋:假如路徑起始於正斜槓( / ),則此路徑始終代表到某元素的絕對路徑! |
/bookstore/book | 選取屬於 bookstore 的子元素的所有 book 元素。 |
//book | 選取所有 book 子元素,而不管它們在文檔中的位置。 |
bookstore//book | 選擇屬於 bookstore 元素的後代的所有 book 元素,而不管它們位於 bookstore 之下的什麼位置。 |
//@lang | 選取名爲 lang 的所有屬性。 |
5、 謂語(Predicates)
謂語用來查找某個特定的節點,被鑲嵌在方括號中或者包含某個指定的值的節點。在下面的表格中,我們列出了帶有謂語的一些路徑表達式,以及表達式的結果:
路徑表達式 | 結果 |
---|---|
/bookstore/book[1] | 選取屬於 bookstore 子元素的第一個 book 元素。 |
/bookstore/book[last()] | 選取屬於 bookstore 子元素的最後一個 book 元素。 |
/bookstore/book[last()-1] | 選取屬於 bookstore 子元素的倒數第二個 book 元素。 |
/bookstore/book[position()<3] | 選取最前面的兩個屬於 bookstore 元素的子元素的 book 元素。 |
//title[@lang] | 選取所有擁有名爲 lang 的屬性的 title 元素。 |
//title[@lang=’cn’] | 選取屬於bookstore下叫book的,含有屬性lang的值是cn的元素。 |
/bookstore/book[price<90] | 選取屬於bookstore下叫book的,含有屬性price的,且值小於90的元素。 |
/bookstore/book[price<90]/title | 選取屬於bookstore下叫book的,含有屬性price的,且值小於90的元素的子元素title。 |
6、通配符(選取未知節點)
XPath 通配符可用來選取未知的 XML 元素。
通配符 | 描述 |
---|---|
* | 匹配任何元素節點。 |
@* | 匹配任何屬性節點。 |
node() | 匹配任何類型的節點。 |
在下面的表格中,我們列出了一些路徑表達式,以及這些表達式的結果:
路徑表達式 | 結果 |
---|---|
/bookstore/* | 選取 bookstore 元素的所有子元素。 |
//* | 選取文檔中的所有元素。 |
//title[@*] | 選取所有帶有屬性的 title 元素。 |
7、選取多個路徑
通過在路徑表達式中使用”|”運算符,您可以選取若干個路徑。
在下面的表格中,我們列出了一些路徑表達式,以及這些表達式的結果:
路徑表達式 | 結果 |
---|---|
//book/title | //book/author | 選取 book 元素的所有 title 和 author元素。 |
//title | //price | 選取文檔中的所有 title 和 price 元素。 |
/bookstore/book/title | //price | 選取屬於 bookstore 元素的 book 元素的所有 title 元素,以及文檔中所有的 price 元素。 |
8、XPath 實例
下面是在網上找到的一個小例子。
import lxml
from lxml import etree
html_doc = '''
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body>
<ul>
<li id='l1' class="liClass">1</li>
<li id='l2'>2</li>
<li class="liClass">3</li>
<li id='l4'>4</li>
<li class="liClass">5</li>
</ul>
<div class="liClass">
</div>
</body>
</html>
'''
mytree = lxml.etree.HTML(html_doc)
# ElementTree object
print(mytree)
print(mytree.xpath('/html/text()'))
print(mytree.xpath('/ul'))
# / 從根元素開始,相當於絕對路徑
print(mytree.xpath('/html/body/ul'))
# // 全局搜索,找到所有
print(mytree.xpath('//li'))
ul = mytree.xpath('//ul')
# . 當前
# 返回的都是列表,查找到所有
li = ul[0].xpath('./li')
print(li)
for l in li:
# 獲取屬性id的值 @id
print(l.xpath('./@id'))
# 定位 /標籤[@屬性='值']
liClass = mytree.xpath("//li[@class='liClass']")
print(liClass)
# 判斷,@屬性='值' --->返回True或False
print(mytree.xpath("//li/@id='12'"))
print("===========================")
# 直接使用下標訪問,下標從1開始 獲取對個li裏面的文本
print(mytree.xpath('//li[2]/text()'))
# last()最後一個
print(mytree.xpath('//li[last()]/text()'))
# 倒數第二個
print(mytree.xpath('//li[last()-1]/text()'))
# position() 位置 > < = >= <=
print(mytree.xpath('//li[position()>1]'))
# * 通配
print(mytree.xpath('//*[@class="liClass"]'))
# 或 |
print(mytree.xpath('//li[@class="liClass"] | //div[@class="liClass"]'))