09-XPath 语言-python爬虫

内容摘要
XPath 语言 XPath（XML Path Language）是XML路径语言,它是一种用来定位XML文档中某部分位置的语言。
文章正文

XPath 语言

XPath（XML Path Language）是XML路径语言,它是一种用来定位XML文档中某部分位置的语言。

学习目的

将HTML转换成XML文档之后，用XPath查找HTML节点或元素

比如用“/”来作为上下层级间的分隔，第一个“/”表示文档的根节点（注意，不是指文档最外层的tag节点，而是指文档本身）。

比如对于一个HTML文件来说，最外层的节点应该是"/html"。

XPath开发工具

  • 开源的XPath表达式编辑工具:XMLQuire(XML格式文件可用)

  • chrome插件 XPath Helper

  • 直接在console 里面输入 $x("xpath选择器")

image

  • firefox插件 XPath Checker

image

XPath语法参考文档：

http://www.w3school.com.cn/xpath/index.asp

XPath语法

XPath 是一门在 XML 文档中查找信息的语言。

XPath 可用来在 XML 文档中对元素和属性进行遍历。

<?xml version="1.0" encoding="ISO-8859-1"?><bookstore><book>  <title lang="eng">Harry Potter</title>  <price>29.99</price></book><book>  <title lang="eng">Learning XML</title>  <price>39.95</price></book></bookstore>

选取节点XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

下面列出了最有用的路径表达式：

表达式 描述
/ 从根节点选取。
nodename 选取此节点的所有子节点。
// 从当前节点 选择 所有匹配文档中的节点
. 选取当前节点。
.. 选取当前节点的父节点。
@ 选取属性。

实例

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结果：

路径表达式 结果
/bookstore 选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore 选取 bookstore 元素的所有子节点。默认从根节点选取
bookstore/book 选取属于 bookstore 的子元素的所有 book 元素。
//book 选取所有 book 子元素，而不管它们在文档中的位置。
//book/./title 选取所有 book 子元素，从当前节点查找title节点
//price/.. 选取所有 book 子元素，从当前节点查找父节点
bookstore//book 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang 选取名为 lang 的所有属性。

image

谓语条件（Predicates）

  • 谓语用来查找某个特定的信息或者包含某个指定的值的节点。
  • 所谓"谓语条件"，就是对路径表达式的附加条件
  • 谓语是被嵌在方括号中，都写在方括号"[]"中，表示对节点进行进一步的筛选。

实例

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

路径表达式 结果
/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 子元素的最后一个 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()❤️] 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang] 选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=’eng’] 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
//book[price] 选取所有 book 元素，且被选中的book元素必须带有price子元素
/bookstore/book[price>35.00] 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

image

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符 描述
* 匹配任何元素节点。
@ 匹配任何属性节点。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式 结果
/bookstore/ 选取 bookstore 元素的所有子元素。
// 选取文档中的所有元素。
//title[@*] 选取所有带有属性的 title 元素。
  • 选取若干路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式 结果
//book/title //book/price
//title //price
/bookstore/book/title //price

XPath 高级用法

  • 模糊查询 contains

目前许多web框架，都是动态生成界面的元素id，因此在每次操作相同界面时，ID都是变化的，这样为自动化测试造成了一定的影响。

<div class="eleWrapper" title="请输入用户名"> <input type="text" class="textfield" name="ID9sLJQnkQyLGLhYShhlJ6gPzHLgvhpKpLzp2Tyh4hyb1b4pnvzxFR!-166749344!1357374592067" id="nt1357374592068" /> </div>

解决方法使用xpath的匹配功能，//input[contains(@id,"nt")]

  • 测试使用的XML
<Root>​
    <Person ID="1001" >
        ​<Name lang="zh-cn" >张城斌</Name>​
        <Email xmlns="www.quicklearn.cn" > cbcye@live.com </Email>​          
        <Blog>http://cbcye.cnblogs.com</Blog>
    ​</Person>​
    <Person ID="1002" >
       ​<Name lang="en" >Gary Zhang</Name>​
      <Email xmlns="www.quicklearn.cn" > GaryZhang@cbcye.com</Email>​    
       <Blog>http://www.quicklearn.cn</Blog>​
    </Person>​
</Root>
  • 查询所有Blog节点值中带有 cn 字符串的Person节点Xpath表达式：
/Root//Person[contains(Blog,"cn")]

查询所有Blog节点值中带有 cn 字符串并且属性ID值中有01的Person节点

Xpath表达式：

/Root//Person[contains(Blog,"cn") and contains(@ID,"01")]

学习笔记

1.依靠自己的属性，文本定位

//td[text()="Data Import"]​//div[contains(@class,"cux-rightArrowIcon-on")]​//a[text()="马上注册"]​//input[@type="radio" and @value="1"]    
 多条件
​//span[@name="bruce"][text()="bruce1"][1]   
多条件​
//span[@id="bruce1" or text()="bruce2"]  
找出多个
​//span[text()="bruce1" and text()="bruce2"]

2.依靠父节点定位

//div[@class="x-grid-col-name x-grid-cell-inner"]/div​//div[@id="dynamicGridTestInstanceformclearuxformdiv"]/div​//div[@id="test"]/input

3.依靠子节点定位

//div[div[@id="navigation"]]​
//div[div[@name="listType"]]​
//div[p[@name="testname"]]

4.混合型

//div[div[@name="listType"]]
//img​
//td[a/font[contains(text(),"seleleium2从零开始 视屏")]]
//input[@type="checkbox"]

5.进阶部分

 //input[@id="123"]/following-sibling::input   
找下一个兄弟节点

​//input[@id="123"]/preceding-sibling::span    
上一个兄弟节点

​//input[starts-with(@id,"123")]               
以什么开头​

//span[not(contains(text(),"xpath")）]        
不包含xpath字段的span

6.索引

//div/input[2]​
//div[@id="position"]/span[3]​
//div[@id="position"]/span[position()=3]​
//div[@id="position"]/span[position()>3]
//div[@id="position"]/span[position()<3]​
//div[@id="position"]/span[last()]
​//div[@id="position"]/span[last()-1]

7.substring 截取判断

<div data-for="result" id="swfEveryCookieWrap"></div>​
//*[substring(@id,4,5)="Every"]/@id  截取该属性 定位3,取长度5的字符​
//*[substring(@id,4)="EveryCookieWrap"]  截取该属性从定位3 到最后的字符
​//*[substring-before(@id,"C")="swfEvery"]/@id   属性 "C"之前的字符匹配
​//*[substring-after(@id,"C")="ookieWrap"]/@id   属性"C之后的字符匹配

8.通配符*

//span[@*="bruce"]​
//*[@name="bruce"]

9.轴

//div[span[text()="+++current node"]]/parent::div    
找父节点​

//div[span[text()="+++current node"]]/ancestor::div    
找祖先节点

10.孙子节点

//div[span[text()="current note"]]/descendant::div/span[text()="123"]
​//div[span[text()="current note"]]
//div/span[text()="123"]         
 两个表达的意思一样

11.following pre

// span[@class="fk fk_cur"]/../following::a       
往下的所有a

// span[@class="fk fk_cur"]/../preceding::a[1]    
往上的所有a

xpath提取多个标签下的text

在写爬虫的时候，经常会使用xpath进行数据的提取，对于如下的代码：

<div id="test1">大家好！</div>

使用xpath提取是非常方便的。假设网页的源代码在selector中：

data = selector.xpath("//div[@id="test1"]/text()").extract()[0]

就可以把“大家好！”提取到data变量中去。

然而如果遇到下面这段代码呢？

<div id="test2">美女，<font color=red>你的微信是多少？</font><div>

如果使用：

data = selector.xpath("//div[@id="test2"]/text()").extract()[0]

只能提取到“美女，”；

如果使用：

data = selector.xpath("//div[@id="test2"]/font/text()").extract()[0]

又只能提取到“你的微信是多少？”

可是我本意是想把“美女，你的微信是多少？”这一整个句子提取出来。

<div id="test3">
    我左青龙，
    <span id="tiger">右白虎，
    <ul>上朱雀，
        <li>下玄武。</li>
    </ul>老牛在当中，</span>
        龙头在胸口。
<div>

而且内部的标签还不固定，如果我有一百段这样类似的html代码，又如何使用xpath表达式，以最快最方便的方式提取出来？

使用xpath的string(.)

以第三段代码为例：

data = selector.xpath("//div[@id="test3"]")
info = data.xpath("string(.)").extract()[0]

这样，就可以把“我左青龙，右白虎，上朱雀，下玄武。老牛在当中，龙头在胸口”整个句子提取出来，赋值给info变量。
代码注释
[!--zhushi--]
上一篇用Python和用户实际地理位置，做任意区域人员流量图下一篇python 的魔法方法

作者：喵哥笔记

IDC笔记

学的不仅是技术，更是梦想！