一文入门XPath

皮大大

发布于 2021-03-01 16:04:36

7250

发布于 2021-03-01 16:04:36

文章被收录于专栏：机器学习/数据可视化

一文入门XPath

之前学会了使用re模块通过正则表达式从网页中提取出来想要的信息，但是效率上很低；内容越复杂，构造正则表达式的时间也就越多了。而且，有些时候网页中的内容并不是完全一样的规律，导致提取到的信息会不完整。

本文中介绍的XPath能够大大地提高从源码中提取信息的效率。下面介绍的内容全部是从w3school中提炼总结而来，总结的内容主要是将来用到爬虫中，提高效率。

什么是XPath

XPath （XML Path）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。

XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

是一种查询语言
在XML（Extensible Markup Language）和HTML的树状结构中寻找节点
XPATH是一种根据‘地址’来‘寻找人’的语言

语法

XPath 使用路径表达式来选取 XML 文档中的节点或节点集。

节点是通过沿着路径 (path) 或者步 (steps) 来选取的。

路径表达式

下面列出了最有用的路径表达式

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
…	选取当前节点的父节点。
@	选取属性。

具体的例子解释

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点。
/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/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。
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。

通配符

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。
node()	匹配任何类型的节点。

具体的例子解释

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。

选取不同路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

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。

谓语

谓语用来查找某个特定的节点或者包含某个指定的值的节点。谓语被嵌在方括号中

注意！！！

某个元素下面的第一个子元素的索引是1开始的，不是0

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。
/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。

XPath运算符

XPath 表达式可返回节点集、字符串、逻辑值以及数字

下面列出了可用在 XPath 表达式中的运算符：

运算符	描述	实例	返回值
\|	计算两个节点集	//book \| //cd	返回所有拥有 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
=	等于	price=9.80	如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。
>	大于	price>9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1

安装

为了使用XPath，必须先安装一个库：lxml

pip install lxml  # Macos
sudo apt-get install python-lxml  # Ubuntu

Windows 下面的安装比较坑，步骤分为：

pip install lxml
安装Virtual C++ 运行库
步骤2失败，在安装.whl包文件

pip install lxml-3.7.3-cp36-cp36m-win_amd64.whl

步骤3仍然失败，将后缀whl改为zip，解压之后将两个文件放到Python安装文件下的Lib\site-packages文件夹中即可
验证是否成功安装

import lxml  # 没有报错即成功了

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2020-8-9，如有侵权请联系 cloudcommunity@tencent.com 删除

xslt & xpath

正则表达式

xml

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

xslt & xpath

正则表达式

xml

登录后参与评论

0 条评论

热度

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。