原创Python剖析库lxml与xpath用法总结

福临门吊顶

原标题：Python剖析库lxml与xpath用法总结

本文重要围绕以xpath和lxml库举行睁开：

一、xpath 概念、xpath节点、xpath语法、xpath轴、xpath运算符

二、lxml的安装、lxml的利用、lxml案例

一、xpath

1.xpath概念

XPath 是一门在 XML 文档中查找信息的语言。XPath 利用路径表达式在 XML 文档中举行导航 。XPath 包罗一个尺度函数库 。XPath 是 XSLT 中的重要元素 。XPath 是一个 W3C 尺度 。

2.xpath节点

xpath有七种范例的节点：元素、属性、文本、定名空间、处置惩罚指令、解释以及文档（根）节点。

节点关系：父、子、兄弟、先辈、子弟。

3.xpath语法

xpath语法在W3c网站上有具体的先容，这里截取部门知识，供各人学习。

XPath 利用路径表达式在 XML 文档中选取节点。节点是通过沿着路径大概 step 来选取的。下面列出了最有效的路径表达式：

表达式

形貌

nodename

选取此节点的全部子节点。

/

从根节点选取。

//

从匹配选择的当前节点选择文档中的节点，而不思量它们的位置。

选取当前节点。

选取当前节点的父节点。

@

睁开全文

选取属性。

在下面的表格中，我们已列出了一些路径表达式以及表达式的效果：

路径表达式

效果

bookstore

选取 bookstore 元素的全部子节点。

/bookstore

选取根元素 bookstore。解释：如果路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！

bookstore/book

选取属于 bookstore 的子元素的全部 book 元素。

//book

选取全部 book 子元素，而不管它们在文档中的位置。

bookstore//book

选择属于 bookstore 元素的子女的全部 book 元素，而不管它们位于 bookstore 之下的什么位置。

//@lang

选取名为 lang 的全部属性。

谓语（Predicates）

谓语用来查找某个特定的节点大概包罗某个指定的值的节点。

谓语被嵌在方括号中。

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的效果：

路径表达式

效果

/bookstore/book[1]

选取属于 bookstore 子元素的第一个 book 元素。

/bookstore/book[last()]

选取属于 bookstore 子元素的末了一个 book 元素。

/bookstore/book[last()-1]

选取属于 bookstore 子元素的倒数第二个 book 元素。

/bookstore/book[position()<3]

选取最前面的两个属于 bookstore 元素的子元素的 book 元素。

//title[@lang]

选取全部拥著名为 lang 的属性的 title 元素。

//title[@lang='eng']

选取全部 title 元素，且这些元素拥有值为 eng 的 lang 属性。

/bookstore/book[price>35.00]

选取 bookstore 元素的全部 book 元素，且此中的 price 元素的值须大于 35.00。

/bookstore/book[price>35.00]/title

选取 bookstore 元素中的 book 元素的全部 title 元素，且此中的 price 元素的值须大于 35.00。

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符

形貌

匹配任何元素节点。

@*

匹配任何属性节点。

node()

匹配任何范例的节点。

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的效果：

路径表达式

效果

/bookstore/*

选取 bookstore 元素的全部子元素。

//*

选取文档中的全部元素。

//title[@*]

选取全部带有属性的 title 元素。

选取多少路径

通过在路径表达式中利用"|"运算符，您可以选取多少个路径。

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的效果：

路径表达式

效果

//book/title | //book/price

选取 book 元素的全部 title 和 price 元素。

//title | //price

选取文档中的全部 title 和 price 元素。

/bookstore/book/title | //price

选取属于 bookstore 元素的 book 元素的全部 title 元素，以及文档中全部的 price 元素。

4.xpath 轴

轴可界说相对于当前节点的节点集。

轴名称

效果

ancestor

选取当前节点的全部先辈（父、祖父等）。

ancestor-or-self

选取当前节点的全部先辈（父、祖父等）以及当前节点自己。

attribute

选取当前节点的全部属性。

child

选取当前节点的全部子元素。

descendant

选取当前节点的全部子女元素（子、孙等）。

descendant-or-self

选取当前节点的全部子女元素（子、孙等）以及当前节点自己。

following

选取文档中当前节点的竣事标签之后的全部节点。

namespace

选取当前节点的全部定名空间节点。

parent

选取当前节点的父节点。

preceding

选取文档中当前节点的开始标签之前的全部节点。

preceding-sibling

选取当前节点之前的全部同级节点。

self

选取当前节点。

5.xpath运算符

下面列出了可用在 XPath 表达式中的运算符：

运算符

形貌

实例

返回值

盘算两个节点集

//book | //cd

返回全部拥有 book 和 cd 元素的节点集

+

加法

6 + 4

10

-

减法

6 - 4

2

乘法

6 * 4

24

div

除法

8 div 4

2

=

即是

price=9.80

假如 price 是 9.80，则返回 true。假如 price 是 9.90，则返回 false。

!=

不即是

price!=9.80

假如 price 是 9.90，则返回 true。假如 price 是 9.80，则返回 false。

<

小于

price<9.80

假如 price 是 9.00，则返回 true。假如 price 是 9.90，则返回 false。

<=

小于或即是

price<=9.80

假如 price 是 9.00，则返回 true。假如 price 是 9.90，则返回 false。

>

大于

price>9.80

假如 price 是 9.90，则返回 true。假如 price 是 9.80，则返回 false。

>=

大于或即是

price>=9.80

假如 price 是 9.90，则返回 true。假如 price 是 9.70，则返回 false。

or

或

price=9.80 or price=9.70

假如 price 是 9.80，则返回 true。假如 price 是 9.50，则返回 false。

and

与

price>9.00 and price<9.90

假如 price 是 9.80，则返回 true。假如 price 是 8.50，则返回 false。

mod

盘算除法的余数

5 mod 2

1

好了，xpath的内容就这么多了。接下来我们要先容一个神器lxml，他的速率很快，曾经不停是我利用beautifulsoup时最钟爱的剖析器，没有之一，由于他的速率简直比其他的html.parser 和html5lib快了很多。

二、lxml

1.lxml安装

lxml 是一个xpath格式剖析模块，安装很方便，直接pip install lxml 大概easy_install lxml即可。

2.lxml 利用

lxml提供了两种剖析网页的方式，一种是你剖析本身写的离线网页时，另一种 则是剖析线上网页。

导入包：

from lxml import etree

1.剖析离线网页：

html=etree.parse('xx.html',etree.HTMLParser())

aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href')

print(aa)

2.剖析在线网页：

from lxml import etree

import requests

rep=requests.get('http://www.baidu.com')

html=etree.HTML(rep.text)

aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href')

print(aa)

那么我们怎么获取这些标签和标签对应的属性值了，很简朴，起首获取标签只需你如许做：

然后我们可以，比方说，你要获取a标签内的文本和它的属性href所对应的值，有两种方法，

1.表达式内获取

aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/text()')

ab=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href')

2.表达式外获取

aa=html.xpath('//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]')

aa.text

aa.attrib.get('href')

如许就完成了获取，怎么样，是不是很简朴了，哈哈哈。

下面再来lxml的剖析规则：

表达式

形貌

nodename

选取此节点的全部子节点

/

从当前节点选取直接子节点

//

从当前节点选取子孙节点

选取当前节点

选取当前节点的父节点

@

选取属性

html = lxml.etree.HTML(text)

#利用text构造一个XPath剖析对象,etree模块可以主动修正HTML文本

html = lxml.etree.parse('./ex.html',etree.HTMLParser())

#直接读取文本举行剖析

from lxml import etree

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

#选取全部节点

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

#获取全部li节点

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

#获取全部li节点的直接a子节点

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

#获取全部li节点的全部a子孙节点

result = html.xpath('//a[@href="link.html"]/../@class')

#获取全部href属性为link.html的a节点的父节点的class属性

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

#获取全部class属性为ni的li节点

result = html.xpath('//li/text()')

#获取全部li节点的文本

result = html.xpath('//li/a/@href')

#获取全部li节点的a节点的href属性

result = html.xpath('//li[contains(@class,"li")]/a/text())

#当li的class属性有多个值时，需用contains函数完成匹配

result = html.xpath('//li[contains(@class,"li") and @name="item"]/a/text()')

#多属性匹配

result = html.xpath('//li[1]/a/text()')

result = html.xpath('//li[last()]/a/text()')

result = html.xpath('//li[position()<3]/a/text()')

result = html.xpath('//li[last()-2]/a/text()')

#按序选择，中括号内为XPath提供的函数

result = html.xpath('//li[1]/ancestor::*')

#获取先人节点

result = html.xpath('//li[1]/ancestor::div')

result = html.xpath('//li[1]/attribute::*')

#获取属性值

result = html.xpath('//li[1]/child::a[@href="link1.html"]')

#获取直接子节点

result = html.xpath('//li[1]/descendant::span')

#获取全部子孙节点

result = html.xpath('//li[1]/following::*[2]')

#获取当前节点之后的全部节点的第二个

result = html.xpath('//li[1]/following-sibling::*')

#获取后续全部同级节点

3.lxml案例

为了偷懒，小编决定照旧接纳urllib那篇文章的代码，哈哈哈，机警如我。

好了，本日就讲这么多，各人感爱好的话可以多多关注哦，出色不绝息！！！！

本文参考文献：

http://www.w3school.com.cn/

想学习更多前端、Python爬虫、大数据等盘算机知识，请前去：http://pdcfighting.com/返回搜狐，检察更多

责任编辑：