一、xpath 簡介
究竟什么是 xpath 呢？簡單來說，xpath 就是一種在 XML 文檔中查找信息的語言
而 XML 文檔就是由一系列節點構成的樹，例如，下面是一份簡單的 XML 文檔：
<html>
<body>
<div>
<p>Hello world<p>
<a href="/home">Click here</a>
</div>
</body>
</html>
XML 文檔中常見的節點包括：
- 根節點：html
- 元素節點：html、body、div、p、a
- 屬性節點：href
- 文本節點：Hello world、Click here
XML 文檔中常見的節點間關系包括：
- 父子：例如，<p> 和 <a> 是 <div> 的子節點，反之，也稱 <div> 是 <p> 和 <a> 的父節點
- 兄弟：例如，<p> 和 <a> 稱為兄弟節點
- 祖先/后代：例如，<body>、<div>、<p>、<a> 都是 <html> 的后代節點，反之，也稱 <html> 是 <body>、<div>、<p>、<a> 的祖先節點
對於網頁解析來說，xpath 比 re 更加方便簡潔，故 Python 中也提供相應的模塊 —— lxml.etree
我們可以使用 pip install lxml 命令進行安裝
二、xpath 使用
在正式開始講解 xpath 的使用方法之前，我們先來構造一個簡單的 XML 文檔用於測試
在一般的爬蟲程序中，XML 文檔就是爬取回來的網頁源代碼
>>> sc = '''
<html>
<head>
<meta charset="UTF-8"/>
<link rel="stylesheet" href="style/base.css"/>
<title>Example website</title>
</head>
<body>
<div id="images" class="content">
<a href="image1.html">Image1<img src="image1.jpg"/></a>
<a href="image2.html">Image2<img src="image2.jpg"/></a>
<a href="image3.html">Image3<img src="image3.jpg"/></a>
</div>
</body>
</html>
'''
1、導入模塊
>>> from lxml import etree
2、構造對象
>>> html = etree.HTML(sc) # 構造 lxml.etree._Element 對象
>>> # lxml.etree._Element 對象還具有代碼補全功能
>>> # 假如我們得到的 XML 文檔不是規范的文檔，該對象將會自動補全缺失的閉合標簽
>>> # 我們可以使用 tostring() 方法將對象轉化成 bytes 類型的字符串
>>> # 再使用 decode('utf-8') 方法將 bytes 類型的字符串轉化為 str 類型的字符串
>>> print(etree.tostring(html).decode('utf-8'))
3、匹配數據
我們可以使用 xpath() 方法進行匹配
（1）xpath 匹配語法
xpath 方法接受一個滿足 xpath 匹配語法的字符串作為參數
下面主要介紹一下 xpath 匹配語法：
-
/表示子代節點，例如 /E 表示匹配根節點下的子節點中的 E 元素節點>>> test = html.xpath('/html/head/title') -
//表示后代節點，例如 //E 表示匹配根節點下的后代節點中的 E 元素節點>>> test = html.xpath('//a') -
*表示所有節點，例如 E/* 表示匹配 E 元素節點下的子節點中的所有節點>>> test = html.xpath('/html/*') -
text()表示文本節點，例如 E/text() 表示匹配 E 元素節點下的子節點中的文本節點>>> test = html.xpath('/html/head/title/text()') -
@ATTR表示屬性節點，例如 E/@ATTR 表示匹配 E 元素節點下的子節點中的 ATTR 屬性節點>>> test = html.xpath('//a/@href') -
謂語用於匹配指定的標簽-
指定第二個 <a> 標簽
>>> test = html.xpath('//a[2]') -
指定前兩個 <a> 標簽
>>> test = html.xpath('//a[position()<=2]') -
指定帶有 href 屬性的 <a> 標簽
>>> test = html.xpath('//a[@href]') -
指定帶有 href 屬性且值為 image1.html 的 <a> 標簽
>>> test = html.xpath('//a[@href="image1.html"]') -
指定帶有 href 屬性且值包含 image 的 <a> 標簽
>>> test = html.xpath('//a[contains(@href,"image")]')
-
（2）_Element 對象
xpath 方法返回字符串或者匹配列表，匹配列表中的每一項都是 lxml.etree._Element 對象
下面主要介紹一下 _Element 對象的常用屬性與方法：
我們先用 xpath 方法得到匹配列表 tests 作為測試樣例，tests 中的每一項都是一個 _Element 對象
>>> test = html.xpath('//a[@href="image1.html"]')
>>> obj = test[0]
tag返回標簽名
>>> obj.tag
'a'
attrib返回屬性與值組成的字典
>>> obj.attrib
{'href': 'image1.html'}
get()返回指定屬性的值
>>> obj.get('href')
'image1.html'
text返回文本值
>>> obj.text
'Image1'
【參考資料】
【爬蟲系列相關文章】