一文读懂爬虫网页内容提取神器之xpath
XPath 是什么?
XPath的全称是 XML Path Language,即XML 路径语言,是一种在XML(HTML)文档中查找信息的语言。它有4点特性:
XPath 使用路径表达式在 XML 文档中进行导航
XPath 包含一个标准函数库
XPath 是 XSLT 中的主要元素
XPath 是一个 W3C 标准我们从网页中提取数据,主要应用前两点。
XPath 路径表达式
使用XPath我们可以很容易定位到网页中的节点,也就是找到我们关心的数据。这些路径跟电脑目录、网址的路径很相似,通过/来表示路径的深度。
XPath 标注函数库
头内建了100多个函数,当然我们提取数据用到的有限,也就不用记住全部100多个函数了。
Xpath 的节点(Node)
XPath中的核心就是节点(Node),定义了7种不同类型的节点: 元素(Element)、属性(Attribute)、文本(Text)、命名空间(Namespace)、处理指令(processing-instruction)、注释(Comment)和文档节点(Document nodes)
这些节点组成一棵节点树,树的根节点被称为文档节点。
其中注释就是html里面的注释:<!– 注释内容 –>
而命名空间、处理指令和网页数据提取基本没关系,这里就不再详述。
下面我们以一个简单的html文档为例,来解释不同的节点及其关系。
<html> <body> <div>ABC</div> <ul id="menu"> <li>home</li> <li>python</li> </ul> </body> </html>
这段html中的节点有:
文档节点: <html>
元素节点:<li class="item">python</li>
属性节点: id="menu"
XPath 节点的关系
节点间的关系完全照搬人类传宗接代的辈分关系,但只是直系关系,没有叔叔、大伯之类的旁系关系。
还是以上面的html文档为例来说明节点关系:
父(Parent)
每个元素节点(Element)及其属性都有一个父节点。
比如,body的父是html,而body是div、ul 的父亲。
子(Children)
每个元素节点可以有零个、一个或多个子。
比如,body有两个子:div,ul,而ul也有两个子:两个li。
同辈(Sibling)
同辈有相同的父辈节点。
比如,div和ul是同辈。
先辈(Ancestor)
某节点的父辈及其以上辈分的节点。
比如,li的父辈有:ul、div、body、html
后代(Descendant)
某节点的子及其子孙节点。
比如,body的后代有:div、ul、li。
XPath节点的选取
选取节点,也就是通过路径表达来实现。这是我们在网页提取数据时的关键,要熟练掌握。
下表是比较有用的路径表达式:
表达式 | 说明 |
---|---|
nodename | 选取当前节点的名为nodename的所有子节点。 |
/ | 从根节点选取,在路径中间时表示一级路径 |
// | 从当前节点开始选择文档中的节点,可以是多级路径 |
. | 从当前节点开始选取 |
.. | 从父节点开始选取 |
@ | 按属性选取 |
接下来通过具体的示例来加深对路径表达的理解:
路径表达式 | 解释 |
---|---|
/html/body/ul/li | 从根节点开始依照路径选取li元素。返回多个。 |
//ul/li[1] | 还是选取li元素,但是路径多级跳跃到ul/li。[1]表示只取第一个li。 |
//li[last()] | 还是选取li,但路径更跳跃。[last()]表示取最后一个li元素。 |
//li[@class] | 选取根节点的名为li且有class属性的所有后代。 |
//li[@class=”item”] | 选择根节点的名为li且class属性为item的所有后代。 |
//body/*/li | 选取body的名为li的孙子节点。* 是通配符,表示任何节点。 |
//li[@*] | 选取所有带属性的li元素。 |
//body/div | //body/ul |
选取body的所有div和ul元素。 |
body/div | 相对路径,选取当前节点的body元素的子元素div。绝对路径以 / 开始。 |
XPath函数
Xpath的函数很多,涉及到错误、数值、字符串、时间等等,然而我们从网页中提取数据的时候只会用到很少的一部分。其中最重要的就是字符串相关的函数,比如contains()函数。
contains(a, b)
如果字符串a包含字符串b,则返回true,否则返回false。
比如: contains(‘猿人学Python’, ‘Python’),返回true
那么它用在什么时候呢?我们知道,一个html标签的class是可以有多个属性值的,比如:
<div class="post-item text-red text-center"> ... </div>
这段html中div有三个class值,第一个表面它是一条发布的消息,后面两个是对格式做了更多的设置。如果我们想提取网页中所有发布的消息,只需要匹配到post-item 即可,这时候就可以用上contains了:
doc.xpath('//div[contains(@class, "post-item")]')
跟contains()类似的字符串匹配的函数还有:
starts-with(string1, string2) 判断string1是否以string2开头ends-with(string1, string2) 判断string1是否以string2结尾matches(string, pattern) 通过正则表达式匹配
然而,在lxml的xpath中使用ends-with(), matches() 会报错
In [232]: doc.xpath('//ul[ends-with(@id, "u")]') --------------------------------------------------------------------------- XPathEvalError Traceback (most recent call last) <ipython-input-232-79a4afc46a75> in <module>() ----> 1 doc.xpath('//ul[ends-with(@id, "u")]') src/lxml/etree.pyx in lxml.etree._Element.xpath() src/lxml/xpath.pxi in lxml.etree.XPathElementEvaluator.__call__() src/lxml/xpath.pxi in lxml.etree._XPathEvaluatorBase._handle_result() XPathEvalError: Unregistered function
lxml 竟然不支持ends-with(), matches()函数
到lxml官方网站去看看,原来它说了只支持 XPath 1.0:
lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way.
来源:PY学习网:原文地址:https://www.py.cn/article.html