Xpath
文章参考：https://www.cnblogs.com/mxjhaima/p/13775844.html#%E6%A1%88%E4%BE%8B
安装
pip install lxml
引用
from lxml import etree
获取文档树对象
通过Xpath 获取文档的对象，获取到对象后，可以通过文档的对象去去获取到树中的元素。
文本转化文档树对象
def strToEleObj():
doc = '''
<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> # 注意，此处缺少一个 </li> 闭合标签
</ul>
</div>
'''
# 把文本转换成一个文档树对象
html = etree.HTML(doc)
result = etree.tostring(html)
print(str(result, 'utf-8'))
文件转化文档树对象
def fileToEleObj():
# 读取外部文件 index.html
html = etree.parse('./index.html')
# pretty_print=True 会格式化输出
result = etree.tostring(html, pretty_print=True) # pretty_print=True 会格式化输出
print(result)
节点、元素、属性、内容
xpath 的思想是通过 路径表达 去寻找节点。节点包括元素，属性，和内容
路径表达式
/ 根节点，节点分隔符，
// 任意位置
. 当前节点
.. 父级节点
@ 属性
示例
from lxml import etree
'''
路径表达式
'''
def get_el_list():
doc = '''
<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> # 注意，此处缺少一个 </li> 闭合标签
</ul>
</div>
'''
# 把文本转换成一个文档树对象
html = etree.HTML(doc)
# 获取当前节点
print('获取当前节点---> ', html.xpath('.'))
# 获取 根节点 标签 ,当前元素无根节点 通过 打印 etree.tostring(html) ,会发现根节点为 <html> </html> 包裹的内容 ，上一行获取的当前节点为 html
print('获取 根节点 标签---> ', html.xpath('/'))
# 获取 li 标签
print('获取 li 标签---> ', html.xpath('//li'))
# 获取 li 下的 a 标签属性
print('获取li下的 a 标签属性----> ', html.xpath('//li/a/@href'))
# 获取 p 标签 ,此标签不存在 返回结果为空数组
print('获取 p 标签----> ', html.xpath('//p '))
输出结果
获取当前节点---> [<Element html at 0x2a989854200>]
获取 根节点 标签---> []
获取 li 标签---> [<Element li at 0x2a9898ece40>, <Element li at 0x2a9899240c0>, <Element li at 0x2a989924180>, <Element li at 0x2a9899241c0>, <Element li at 0x2a989924200>]
获取li下的 a 标签属性----> ['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']
获取 p 标签----> []
说明
- 将doc 转换成 文档对象后，为 <html> </html> 包裹的内容；故获取到的当前的节点对象为HTML；
- 当前节点为HTML，无根节点故返回为空数组即：[]；
- 查询不存在的节点时，返回空数组即：[]
通配符
* 任意元素
@* 任意属性
node() 任意子节点（元素，属性，内容)
示例
'''
通配符
'''
from lxml import etree
def get_el_by_anyChar():
doc = '''
<div>
<ul class="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> # 注意，此处缺少一个 </li> 闭合标签
</ul>
</div>
'''
# 把文本转换成一个文档树对象
html = etree.HTML(doc)
# 获取 ul 下的所有子节点
print('获取 ul 下的所有子节点---> ', html.xpath('//ul/node()'))
# 获取 任意元素[所有的]
print('获取 ul 下 任意元素[所有的]---> ', html.xpath('//ul/*'))
# 获取 任意属性 [所有的]
print('获取 ul 下 任意属性[所有的]---> ', html.xpath('//ul/@*'))
输出结果
获取 ul 下的所有子节点---> ['\n ', <Element li at 0x1d4792b5e80>, '\n ', <Element li at 0x1d4792b5e00>, '\n ', <Element li at 0x1d4792b5f00>, '\n ', <Element li at 0x1d4792b5f40>, '\n ', <Element li at 0x1d4792b5ec0>, ' 闭合标签\n ']
获取 任意元素---> [<Element li at 0x1d47928dd80>, <Element li at 0x1d4792b5e80>, <Element li at 0x1d4792b5fc0>, <Element li at 0x1d4792b5e00>, <Element li at 0x1d4792b5f00>]
获取 任意属性---> ['ul']
谓语
//a[n] n为大于零的整数，代表子元素排在第n个位置的<a>元素
//a[last()] last() 代表子元素排在最后个位置的<a>元素
//a[last()-] 和上面同理，代表倒数第二个
//a[position()<3] 位置序号小于3，也就是前两个，这里我们可以看出xpath中的序列是从1开始
//a[@href] 拥有href的<a>元素
//a[@href='www.baidu.com'] href属性值为'www.baidu.com'的<a>元素
//book[@price>2] price值大于2的<book>元素
示例
from lxml import etree
def get_el_by_wei():
doc = '''
<div>
<ul class="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> # 注意，此处缺少一个 </li> 闭合标签
</ul>
</div>
'''
# 把文本转换成一个文档树对象
html = etree.HTML(doc)
# 获取第一个 li / a 元素 里面的文本
print('获取第一个 ---> ', html.xpath('//li[1]/a/text()'))
# 获取最后一个 li / a 元素 里面的文本
print('获取最后一个 ---> ', html.xpath('//li[last()]/a/text()'))
# 获取倒数第二个 li / a元素 里面的文本
print('获取 倒数第二个---> ', html.xpath('//li[last()-1]/a/text()'))
# 获取位置序号小于3，也就是前两个 li / a元素 里面的文本
print('获取位置序号小于3 ---> ', html.xpath('//li[position()<3]/a/text()'))
# 获取拥有href的<a>元素下的文本
print('获取第一个 ---> ', html.xpath('//a[@href]/text()'))
# 获取 a 标签下 href = link3.html的a元素下的文本 注意 不是 == 而是 =
print('获取 a 标签下 href = link3.html的<a>元素---> ', html.xpath('//a[@href="link3.html"]/text()'))
# 获取 ul class == ul 的
print('获取 ul class == ul ---> ', html.xpath('//ul[@class="ul"]'))
多个路径
用| 连接两个表达式，可以进行 或匹配
//book/title | //book/price
示例
from lxml import etree
def get_el_mutil_path():
doc = '''
<div>
<ul class="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> # 注意，此处缺少一个 </li> 闭合标签
</ul>
</div>
'''
# 把文本转换成一个文档树对象
html = etree.HTML(doc)
# 获取li 下 class = item-inactive 或者 item-1
print('获取li 下 class = item-inactive 或者 item-1 ---> ', html.xpath('//li[@class="item-inactive"] | //li[@class="item-1"] '))
输出结果
获取li 下 class = item-inactive 或者 item-1 ---> [<Element li at 0x1b490955f40>, <Element li at 0x1b490966200>, <Element li at 0x1b490966180>]
函数
更多函数查看https://www.w3school.com.cn/xpath/xpath_functions.asp
contains(string1,string2)
starts-with(string1,string2)
# 文本
text()
# 最后一个
last()
# 位置
position()
# 回去所有节点
node()
'''
函数
'''
from lxml import etree
def get_el_func():
doc = '''
<div>
<ul class="ul" >
<li class="item-0 active"><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> # 注意，此处缺少一个 </li> 闭合标签
</ul>
</div>
'''
# 把文本转换成一个文档树对象
html = etree.HTML(doc)
# 匹配 class 包含 active 的 元素
print(html.xpath("//*[contains(@class,'active')]"))
# 获取所有 li / a 文本
print(html.xpath("//li/a/text()"))
# 获取最后一个 li / a 文本
print(html.xpath("//li[last()]/text()"))
# 获取位置为1的li /a 文本 ，节点时从1开始 而不是0
print(html.xpath("//li[position()=1]/a/text()"))
输出结果
[<Element li at 0x23ea36d0400>, <Element li at 0x23ea36d0180>]
['first item', 'second item', 'third item', 'fourth item', 'fifth item']
[' # 注意，此处缺少一个 ']
['first item']
实战信息
获取某电影网站电影名称、简单描述、图片
import requests
from lxml import etree
'''
获取电影信息列表
'''
def get_moive_info_list(url):
# 定义头部信息
headers = {
'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36'
}
res = requests.get(url, headers=headers)
# res.text 返回的是 文本
html = res.text
print('输出响应信息->',html)
# 将文本转换成文档对象
selector = etree.HTML(html)
# 返回是电影名列表
title_list = selector.xpath('//a[@class="pic-pack-outer"]/h3/text()')
print('电影名称列表:',title_list)
# 获取简单描述
desc_list = selector.xpath('//a[@class="pic-pack-outer"]/p/text()')
print('电影名称简单描述:', desc_list)
# 图片
img_list = selector.xpath('//a[@class="pic-pack-outer"]/img/@src')
print('图片列表:', img_list)
if __name__ == '__main__':
url = 'https://xxxxxxx/vod/list/n_1_t_25/o1p1.html'
get_moive_info_list(url)
输出结果
输出响应信息-> <!DOCTYPE html>
·······
</body>
</html>
电影名称列表: ['辣妈犟爸', '五月梨花香', '岁岁平安',.....]
电影名称简单描述: ['年轻村官奋斗历程', '脱贫致富振兴家乡', .....]
图片列表: ['https://image11.m1905.cn/uploadfile/2022/0804/thumb_1_150_203_20220804094442559303.jpg', .... 'https://image11.m1905.cn/uploadfile/2016/0926/thumb_1_150_85_20160926105222739343.jpg']