Python解析库Lxml与Xpath用法总结

本文主要围绕以xpath和lxml库进行展开：

一、解析xpath 概念、用法xpath节点、总结xpath语法、解析xpath轴、用法xpath运算符

二、总结lxml的解析安装、lxml的用法使用、lxml案例

一、总结xpath

1.xpath概念

XPath 是解析一门在 XML 文档中查找信息的语言。XPath 使用路径表达式在 XML 文档中进行导航 。用法XPath 包含一个标准函数库 。总结XPath 是解析 XSLT 中的主要元素 。XPath 是用法一个 W3C 标准 。

2.xpath节点

xpath有七种类型的总结节点：元素、属性、文本、命名空间、处理指令、注释以及文档(根)节点。

节点关系：父、子、兄弟、先辈、后辈。

3.xpath语法

xpath语法在W3c网站上有详细的亿华云介绍，这里截取部分知识，供大家学习。

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 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。

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 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，源码下载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。

谓语(Predicates)

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。

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，网站模板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。

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。 node() 匹配任何类型的节点。

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。

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。

4.xpath 轴

轴可定义相对于当前节点的节点集。

轴名称 结果 ancestor 选取当前节点的所有先辈（父、祖父等）。 ancestor-or-self 选取当前节点的所有先辈（父、祖父等）以及当前节点本身。 attribute 选取当前节点的所有属性。 child 选取当前节点的所有子元素。 descendant 选取当前节点的所有后代元素（子、孙等）。 descendant-or-self 选取当前节点的所有后代元素（子、孙等）以及当前节点本身。 following 选取文档中当前节点的结束标签之后的所有节点。 namespace 选取当前节点的所有命名空间节点。 parent 选取当前节点的父节点。 preceding 选取文档中当前节点的开始标签之前的所有节点。 preceding-sibling 选取当前节点之前的所有同级节点。 self 选取当前节点。

5.xpath运算符

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

好了，xpath的内容就这么多了。接下来我们要介绍一个神器lxml，他的速度很快，曾经一直是我使用beautifulsoup时最钟爱的解析器，没有之一，因为他的速度的确比其他的html.parser 和html5lib快了许多。

二、lxml

1.lxml安装

lxml 是一个xpath格式解析模块，安装很方便，直接pip install lxml 或者easy_install lxml即可。

2.lxml 使用

lxml提供了两种解析网页的方式，一种是你解析自己写的离线网页时，另一种 则是解析线上网页。

导入包：

from lxml import  etree 

1.解析离线网页：

html=etree.parse(xx.html,etree.HTMLParser()) aa=html.xpath(//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href) print(aa) 

2.解析在线网页：

from lxml import etree import requests rep=requests.get(https://www.baidu.com) html=etree.HTML(rep.text) aa=html.xpath(//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href) print(aa) 

那么我们怎么获取这些标签和标签对应的属性值了，很简单，首先获取标签只需你这样做：

然后我们可以，比方说，你要获取a标签内的文本和它的属性href所对应的值，有两种方法，

1.表达式内获取

aa=html.xpath(//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/text()) ab=html.xpath(//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]/@href) 

2.表达式外获取

aa=html.xpath(//*[@id="s_xmancard_news"]/div/div[2]/div/div[1]/h2/a[1]) aa.text aa.attrib.get(href) 

这样就完成了获取，怎么样，是不是很简单了，哈哈哈。

下面再来lxml的解析规则：

表达式 描述 nodename 选取此节点的所有子节点 / 从当前节点选取直接子节点 // 从当前节点选取子孙节点 . 选取当前节点 .. 选取当前节点的父节点 @ 选取属性 html = lxml.etree.HTML(text) #使用text构造一个XPath解析对象,etree模块可以自动修正HTML文本 html = lxml.etree.parse(./ex.html,etree.HTMLParser()) #直接读取文本进行解析 from lxml import etree result = html.xpath(//*) #选取所有节点 result = html.xpath(//li) #获取所有li节点 result = html.xpath(//li/a) #获取所有li节点的直接a子节点 result = html.xpath(//li//a) #获取所有li节点的所有a子孙节点 result = html.xpath(//a[@href="link.html"]/../@class) #获取所有href属性为link.html的a节点的父节点的class属性 result = html.xpath(//li[@class="ni"]) #获取所有class属性为ni的li节点 result = html.xpath(//li/text()) #获取所有li节点的文本 result = html.xpath(//li/a/@href) #获取所有li节点的a节点的href属性 result = html.xpath(//li[contains(@class,"li")]/a/text()) #当li的class属性有多个值时，需用contains函数完成匹配 result = html.xpath(//li[contains(@class,"li") and @name="item"]/a/text()) #多属性匹配 result = html.xpath(//li[1]/a/text()) result = html.xpath(//li[last()]/a/text()) result = html.xpath(//li[position()<3]/a/text()) result = html.xpath(//li[last()-2]/a/text()) #按序选择，中括号内为XPath提供的函数 result = html.xpath(//li[1]/ancestor::*) #获取祖先节点 result = html.xpath(//li[1]/ancestor::div) result = html.xpath(//li[1]/attribute::*) #获取属性值 result = html.xpath(//li[1]/child::a[@href="link1.html"]) #获取直接子节点 result = html.xpath(//li[1]/descendant::span) #获取所有子孙节点 result = html.xpath(//li[1]/following::*[2]) #获取当前节点之后的所有节点的第二个 result = html.xpath(//li[1]/following-sibling::*) #获取后续所有同级节点 

3.lxml案例

为了偷懒，小编决定还是采用urllib那篇文章的代码，哈哈哈，机智如我。

好了，今天就讲这么多，大家感兴趣的话可以多多关注哦，精彩不停息!!!!

本文参考文献：

https://www.w3school.com.cn/

本文转载自微信公众号「IT共享之家」，可以通过以下二维码关注。转载本文请联系IT共享之家公众号。