当前位置 : 主页 > 编程语言 > python >

09-XPath 语言-python爬虫

来源:互联网 收集:自由互联 发布时间:2022-06-15
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


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")
     

09-XPath 语言-python爬虫_etree

  • firefox插件 XPath Checker

09-XPath 语言-python爬虫_etree_02

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。

09-XPath 语言-python爬虫_xpath_03

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()<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。


09-XPath 语言-python爬虫_etree_04

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

选取 book 元素的所有 title 和 price 元素。

//title | //price

选取文档中的所有 title 和 price 元素。

/bookstore/book/title | //price

选取属于 bookstore 元素的 book 元素的所有 title 元素,以及文档中所有的 price 元素。


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'] 找出多个

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。


09-XPath 语言-python爬虫_python爬虫_05

IT入门 感谢关注




​​0基础python爬虫系列教程​​



上一篇:04python—15种字符串操作
下一篇:没有了
网友评论