1. 开发前的准备
前面我们介绍的 XPath 基本的语法和基本操作,下面我们通过 lxml 库,来熟悉一下 XPath 的使用。
首先,我们需要一个测试文件,文件如下,文件名为 xpath_test.xml:
<div><ul><li class='item-0'><a href='a.html'>python item</a></li><li class='item-1'><a href='b.html'>Java item</a></li><li class='item-inactive'><a href='c.html'><span class='bold'>C item</span></a></li><li class='item-1'><a href='d.html'>Java item</a></li><li class='item-0'><a href='b.html'>Java item</a></li><li class='item-0'><a href='b.html'>Java item</a></li></ul></div>
2. 基本语法
2.1 节点之间的关系
- 父节点:每个元素都有一个父亲节点;
- 子节点:每个元素节点可以有零个,一个或者多个父亲节点;
- 兄弟节点:相同父亲节点的节点;
- 先辈节点:一个元素的父亲节点的父亲节点;
- 后辈节点:一个元素的子节点的子节点。
表达式 | 功能简介 |
---|
node | 选取node下面的所有的节点 |
/node | 斜杠是代表绝对路径,这个表达式语法的意思就是选择根上的node |
//node | 选择所有的node的节点,与XML的位置无关 |
. | 选择当前节点 |
… | 选择当前节点的父亲节点 |
node/child | 选取node子节点的所有的child元素 |
node//child | 选取所有后备节点的chiid信息 |
//@href | 选取所有的href的属性 |
2.2 谓语与通配符
表达式 | 功能简介 |
---|
/books/python[1] | 选取books子元素中的第一个python元素 |
/books/python[last()] | 选取books子元素中的最后一个元素 |
/books/python[position()<10] | 选取books子元素的前9个元素 |
. | 选择当前节点 |
… | 选择当前节点的父亲节点 |
node/child | 选取node子节点的所有的child元素 |
node//child | 选取所有后备节点的chiid信息 |
//@href | 选取所有的href的属性 |
3. 开发案例
from lxml import etree
emt = etree.parse('text.xml')rst = emt.xpath('//li')
- 从xml中查找出所有的’li’标签的所有class
from lxml import etree
emt = etree.parse('text.xml')rst = emt.xpath('//li/@class')
- 从xml中查找出所有的’li’标签下面的href为a.html的标签
from lxml import etree
emt = etree.parse('text.xml')rst = emt.xpath('//li/a[@href="a.html"]')
4. 小结
XPath 是一种查询语言,它是通过路径来寻找相应的信息,正如它的英文名称 path 一样,通过不同种X路径,最终找到自己需要的信息。通过 XPath,我们不但可以搜索 XML,也可以搜索 HTML。
通过案例,我们基本熟悉了 XPath 的基本使用,这也为我们后面学习 BeautifulSoup 打下了良好的基础,XPath 为我们从复杂的文档中,快速定位信息提供了良好的支持,也为我们后面处理和整理爬虫爬下来的信息奠定了根基。