09-XPath 语言-python爬虫

2021/9/27 22:10:50

本文主要是介绍09-XPath 语言-python爬虫,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

辅助视频教程:Python基础教程|xin3721自学网ul li id=itemtitlePython3 从入门到精通视频教程/li /ul ul li class=description Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言,最初被设计用于编写自动化脚本(shell),icon-default.png?t=L892https://www.xin3721.com/eschool/pythonxin3721/

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:

XPath 教程

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。



这篇关于09-XPath 语言-python爬虫的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程