1. 介绍

之前 BeautifulSoup 的用法，这个已经是非常强大的库了，不过还有一些比较流行的解析库，例如 lxml，使用的是 Xpath 语法，同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话，可以尝试下 Xpath

官网 http://lxml.de/index.html
w3c http://www.w3school.com.cn/xpath/index.asp

2. 安装

  1. pip install lxml

3. 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。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

3.1 节点的关系

  • 父（Parent）
  • 子（Children）
  • 同胞（Sibling）
  • 先辈（Ancestor）
  • 后代（Descendant）

    3.2 选取节点

    3.2.1 常用的路径表达式
    | 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 |

3.2.2 通配符

XPath 通配符可用来选取未知的 XML 元素。

通配符 描述 举例 结果
* 匹配任何元素节点 xpath(‘div/*’) 获取div下的所有子节点
@* 匹配任何属性节点 xpath(‘div[@*]’) 选取所有带属性的div节点
node() 匹配任何类型的节点

3.2.3 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

表达式 结果
xpath(‘//div|
//table’)		 获取所有的div与table节点

3.2.4 谓语

谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点

表达式 结果
xpath(‘/body/div[1]’) 选取body下的第一个div节点
xpath(‘/body/div[last()]’) 选取body下最后一个div节点
xpath(‘/body/div[last()-1]’) 选取body下倒数第二个节点
xpath(‘/body/div[positon()<3]’) 选取body下前丙个div节点
xpath(‘/body/div[@class]’) 选取body下带有class属性的div节点
xpath(‘/body/div[@class=”main”]’) 选取body下class属性为main的div节点
xpath(‘/body/div[price>35.00]’) 选取body下price元素大于35的div节点

3.2.5 XPath 运算符
运算符 描述 实例 返回值
计算两个节点集 //book //cd
+ 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

3.3 使用

3.3.1 小例子
  1. from lxml import etree
  2. text = '''
  3. <div>
  4.     <ul>
  5.          <li class="item-0"><a href="9dfaf53134a987d48a44bbd6d6311c4a">first item</a></li>
  6.          <li class="item-1"><a href="3931b15b07639b8911dfc20934eb1d90">second item</a></li>
  7.          <li class="item-inactive"><a href="ad1d412724e3b18c29fd00dffe638e35">third item</a></li>
  8.          <li class="item-1"><a href="f1fd47cecf9edb530b796cd429151277">fourth item</a></li>
  9.          <li class="item-0"><a href="f2ad431ed0740bdba874bad72161b1a5">fifth item</a>
  10.      </ul>
  11.  </div>
  12. '''
  13. html = etree.HTML(text)
  14. result = etree.tostring(html)
  15. print(result)

首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。
其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。
所以输出结果是这样的

  1. <html><body>
  2. <div>
  3.     <ul>
  4.          <li class="item-0"><a href="9dfaf53134a987d48a44bbd6d6311c4a">first item</a></li>
  5.          <li class="item-1"><a href="3931b15b07639b8911dfc20934eb1d90">second item</a></li>
  6.          <li class="item-inactive"><a href="ad1d412724e3b18c29fd00dffe638e35">third item</a></li>
  7.          <li class="item-1"><a href="f1fd47cecf9edb530b796cd429151277">fourth item</a></li>
  8.          <li class="item-0"><a href="f2ad431ed0740bdba874bad72161b1a5">fifth item</a></li>
  9. </ul>
  10.  </div>
  11. </body></html>

不仅补全了 li 标签，还添加了 body，html 标签。
文件读取
除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为

  1. <div>
  2.     <ul>
  3.          <li class="item-0"><a href="9dfaf53134a987d48a44bbd6d6311c4a">first item</a></li>
  4.          <li class="item-1"><a href="3931b15b07639b8911dfc20934eb1d90">second item</a></li>
  5.          <li class="item-inactive"><a href="ad1d412724e3b18c29fd00dffe638e35"><span class="bold">third item</span></a></li>
  6.          <li class="item-1"><a href="f1fd47cecf9edb530b796cd429151277">fourth item</a></li>
  7.          <li class="item-0"><a href="f2ad431ed0740bdba874bad72161b1a5">fifth item</a></li>
  8.      </ul>
  9.  </div>

利用 parse 方法来读取文件

  1. from lxml import etree
  2. html = etree.parse('hello.html')
  3. result = etree.tostring(html, pretty_print=True)
  4. print(result)

同样可以得到相同的结果

3.3.2 XPath具体使用

依然以上一段程序为例

  1. 获取所有的 <li> 标签

    1. from lxml import etree
    2. html = etree.parse('hello.html')
    3. print (type(html))
    4. result = html.xpath('//li')
    5. print (result)
    6. print (len(result))
    7. print (type(result))
    8. print (type(result[0]))

    运行结果

    1. <type 'lxml.etree._ElementTree'>
    2. [<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>]
    3. <type 'list'>
    4. <type 'lxml.etree._Element'>

    可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个 <li> 元素，每个元素都是 Element 类型

  2. 获取<li>标签的所有 class

    1. result = html.xpath('//li/@class')
    2. print (result)

    运行结果

    1. ['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

  3. 获取 <li> 标签下 href 为 link1.html 的 <a> 标签

    1. result = html.xpath('//li/a[@href="9dfaf53134a987d48a44bbd6d6311c4a"]')
    2. print (result)

    运行结果

    1. [<Element a at 0x10ffaae18>]

  4. 获取<li>标签下的所有 <span> 标签

注意: 这么写是不对的

  1. result = html.xpath('//li/span')
  2. #因为 / 是用来获取子元素的，而 <span> 并不是 <li> 的子元素，所以，要用双斜杠
  3. result = html.xpath('//li//span')
  4. print(result)

运行结果

  1. [<Element span at 0x10d698e18>]

  1. 获取 <li> 标签下的所有 class，不包括<li>

    1. result = html.xpath('//li/a//@class')
    2. print (resul)t
    3. #运行结果
    4. ['blod']

  2. 获取最后一个 <li> 的 <a> 的 href

    1. result = html.xpath('//li[last()]/a/@href')
    2. print (result)

    运行结果

    1. ['link5.html']

  3. 获取倒数第二个元素的内容

    1. result = html.xpath('//li[last()-1]/a')
    2. print (result[0].text)

    运行结果

    1. fourth item

  4. 获取 class 为 bold 的标签名

    1. result = html.xpath('//*[@class="bold"]')
    2. print (result[0].tag)

    运行结果

    1. span

    选择XML文件中节点：

  • element（元素节点）
  • attribute（属性节点）
  • text （文本节点）
  • concat(元素节点,元素节点)
  • comment （注释节点）
  • root （根节点）