Xpath 的使用

10 阅读作者：大梦三千秋来源：慕课网 2020-10-20

Xpath 的使用

在用 Python 实现爬虫时，可以使用 requests 库访问资源，然后用正则表达式提取信息。

但是，这里会有一些繁琐，因为正则表达式的书写是比较严格的，万一有一个地方写错了，可能会导致匹配失败无法提取需要的信息。

对于网页的节点来说，可以定义 id、class 或其他属性。节点之间有层次关系，在网页中，其实可以通过 Xpath 定位一个或多个节点。

那么相应的，在页面解析的时候，利用 Xpath 定位节点，调用相应的方法获取正文或者属性，那么完全可以获取需要的信息。

在 Python 中，这个解析库叫 lxml，下面来介绍这个解析库的用法。

lxml 库

lxml 是 Python 的一个解析库，支持 HTML 和 XML 的解析，支持 XPath 解析方式，效率非常高。

使用 lxml 之前，需要先安装，可以使用如下命令：

$ pip install lxml

Xpath 简介

Xpath，全称 XML Path Language，即是 XML 路径语言。Xpath 是一门在 XML 文档中查找信息的语言，用于在 XML 文档中通过元素和属性进行导航，但同样适用于 HTML 文档的搜索。

在实现爬虫时，完全可以通过 Xpath 进行信息提取。

Xpath 的功能强大，使用路径表达式来选取 XML 或 HTML 文档中的节点或者节点集。Xpath 有超过 100 个内建的函数。这些函数可用于字符串、数值、日期和时间比较、节点、序列处理和逻辑值等等。

Xpath 于 1999 年 11 月 16 日成为 W3C 标准，被设计为供 XSLT、XPointer 以及其他 XML 解析软件使用。

Xpath 语法

前面提及了，Xpath 使用路径表达式选取文档中的节点或节点集。

下面罗列常用的路径表达式：

表达式	描述说明
nodename	选取此节点的所有子节点
/	从根节点选取
//	从当前节点选择子孙节点(不考虑它们的位置)
.	选取当前节点
…	选取当前节点的父节点
@	选取属性

上面罗列的内容属于常用部分，用示例来说明下具体的用法：

//div[@class="document"]

这就是一个 Xpath 路径表达式，代表的是选择名称为 div，属性 class 的值为 document 的节点。

在 Python 中，会通过 lxml 库，利用 Xpath 进行解析。

实例应用

通过实例了解使用 Xpath 对网页进行解析的过程，代码如下（下面 HTML 内容节选自豆瓣，稍作更改）：

# 先导入 lxml 库
from lxml import etree

text = """
<div>
    <ul>
        <li class="pl2"><a href="https://book.douban.com/subject/1007305/">红楼梦</a>
        <li class="pl2"><a href="https://book.douban.com/subject/4913064/">活着</a></li>
        <li class="pl2"><a href="https://book.douban.com/subject/6082808/">百年孤独</a></li>
        <li class="pl1"><a href="https://book.douban.com/subject/4820710/">1984</a></li>
    </ul>
</div>
"""

html = etree.HTML(text)
result = etree.tostring(html)
print(result.decode('utf-8'))

在上面的实例中，先导入 lxml 库中的 etree 模块，声明一段 HTML 文本，然后使用 etree 的 HTML 类进行初始化，构造一个 Xpath 解析对象。在这里需要注意一点，实例中，声明的 HTML 文本第 1 个节点没有闭合，但是 etree 模块会自动修正。

etree.toString() 方法用于输出修正后的 HTML 内容，不过该方法返回的是 byte 类型，输出的时候需要进行解码转换为 str 类型。

上面的输出结果如下：

<html><body><div>
    <ul>
        <li class="pl2"><a href="https://book.douban.com/subject/1007305/">&#32418;&#27004;&#26790;</a>
        </li><li class="pl2"><a href="https://book.douban.com/subject/4913064/">&#27963;&#30528;</a></li>
        <li class="pl2"><a href="https://book.douban.com/subject/6082808/">&#30334;&#24180;&#23396;&#29420;</a></li>
        <li class="pl1"><a href="https://book.douban.com/subject/4820710/">1984</a></li>
    </ul>
</div>
</body></html>

在这里可以看到 li 节点标签已经补全，同时自动添加了 body、html 节点。

上面的代码中，中文没有正常显示。这里属于编码的问题，可以将上面的代码稍微修改一下：

result = etree.tostring(html, encoding='gbk')
print(result.decode('gbk'))

再看输出结果：

<?xml version='1.0' encoding='gbk'?>
<html><body><div>
    <ul>
        <li class="pl2"><a href="https://book.douban.com/subject/1007305/">红楼梦</a>
        </li><li class="pl2"><a href="https://book.douban.com/subject/4913064/">活着
</a></li>
        <li class="pl2"><a href="https://book.douban.com/subject/6082808/">百年孤独<
/a></li>
        <li class="pl1"><a href="https://book.douban.com/subject/4820710/">1984</a><
/li>
    </ul>
</div>
</body></html>

这里有所不同，前面多了个声明，同时标记编码方式为 GBK。

另外， lxml 库也可以直接读取文件进行解析，示例如下（先将上面的未修正的 HTML 内容放到 example.html 文件中）：

from lxml import etree

html = etree.parse('./example.html', etree.HTMLParser())
result = etree.tostring(html)
print(result.decode('utf-8'))

这个时候输出的结果会多一个 DOCTYPE 的声明。

Xpath 节点

所有节点

以 // 开头的 Xpath 表达式为选取所有符合要求的节点，沿用上面的例子：

...
result = html.xpath('//*')
print(result)

运行结果：

[<Element html at 0x4b34fc8>, <Element body at 0x4b3b108>, <Element div at 0x4b3b088>,
 <Element ul at 0x4b3b148>, <Element li at 0x4b3b188>, <Element a at 0x4b3b208>,
 <Element li at 0x4b3b248>, <Element a at 0x4b3b288>, <Element li at 0x4b3b2c8>,
 <Element a at 0x4b3b1c8>, <Element li at 0x4b3b308>, <Element a at 0x4b3b588>]

在这里， * 表示匹配所有的节点，由运行结果可以看出，返回的列表中，包括了 html, body, div, ul, li, a 所有节点。

当然 // 后面可以跟特定的节点，例如：

...
result = html.xpath('//a')
print(result)

运行结果：

[<Element a at 0x2d1d688>, <Element a at 0x2d1d648>, <Element a at 0x2d1d748>, <Element a at 0x2d1d788>]

子节点

/ 或者 // 可以用来定位子节点或者子孙节点，例如定位 li 节点的所有 a 节点：

...
result = html.xpath('//li/a')
print(result)

运行结果：

[<Element a at 0x2cfd688>, <Element a at 0x2cfd648>, <Element a at 0x2cfd748>, <Element a at 0x2cfd788>]

在这里可以看到，与上面直接用 //a 表达式获取的结果相同，但这里有所区别，//a 表达式找的所有的 a 节点，//li/a 这里找的是所有 li 节点的所有直接 a 子节点。

比如，有如下标签内容：

<title><a href="link.html">Title</a></title>

用这个示例来区分，根据上面的区分解释，在这里用 //a 是可以匹配到这项内容，但是 //li/a 则匹配不到，因为示例中 a 节点并非 li 节点的直接子节点。

在原来的 HTML 文档内容中，a 是 li 的直接节点，也是 ul 的子孙节点，那么要定位 a 节点，也可以按照如下的表达式来写：

...
result = html.xpath('//ul//a')
print(result)

这里得到的结果跟上面是一致的：

[<Element a at 0x2cfd688>, <Element a at 0x2cfd648>, <Element a at 0x2cfd748>, <Element a at 0x2cfd788>]

但是要注意，不能够写成 //ul/a，因为 a 并非 ul 的直接子节点，如果这样写则无法匹配，返回空列表。

所以要对 / 和 // 加以区分，/ 用于获取直接子节点，//用于获取子孙节点。

父节点

获取父节点的信息，用 .. 来实现，例如：

<li class="p12"><a href="https://book.douban.com/subject/1007305/"></a>红楼梦</li>

想要获取 href 属性为 "https://book.douban.com/subject/1007305/" 的 a 节点的父节点属性。

代码如下：

...
result = html.xpath('//a[@href="https://book.douban.com/subject/1007305/"]/../@class')
print(result)

运行结果：

['pl2']

这个结果正是父节点的属性。

属性

节点中，属性可存在单值或多值的情况，一个节点也可以有多个属性，当出现这些情况时，使用的表达式往往不能够一成不变，需要针对性进行书写。

单值匹配

在上面的例子中，其实已经使用属性匹配，@ 符号用于属性过滤。在上面的例子当中，有一个属性跟其他的不同，现在将其定位，代码实现：

...
result = html.xpath('//li[@class="pl1"]')
print(result)

运行结果：

[<Element li at 0x2cfd688原文地址:https://www.imooc.com/article/302715