【Python从入门到进阶】28、xpath的安装以及使用

接上篇《27、Handler处理器使用及代理和Cookie登录实现》
上一篇我们讲解了urllib中Handler处理器的基本使用，以及实现代理访问和Cookie的登录。本篇我们来讲解HTML文档解析中的核心插件xpath的安装及使用。

一、xpath介绍

XPath是由W3C（World Wide Web Consortium）组织发布的。W3C是一个国际性组织，负责制定Web标准和推动Web技术的发展。XPath最初在1999年发布，并成为XML Path Language的一部分。它由James Clark提出并提交给W3C进行标准化，目的是为XML文档提供一种统一而强大的查询语言。

XPath是一种用于在XML文档中定位和提取数据的查询语言。它可以通过路径表达式来描述XML文档中的节点结构，并根据这些路径表达式来选择特定的节点或节点集合。XPath可用于查找元素、属性、文本和命名空间等信息，以及执行各种节点之间的关系操作。它广泛应用于Web抓取、数据提取、XML解析和XSLT转换等领域。
如下图例子就是通过xpath路径查询语言命中的一个页面上带有提交功能的登录按钮：

二、XPath在python爬虫中起到的作用

XPath在Python爬虫中起到了重要的作用。通过使用XPath，可以方便地定位和提取网页中的特定数据，从而实现网页内容的抓取和分析。

以下是XPath在Python爬虫中的主要作用：

1、定位元素：XPath可以通过路径表达式准确定位HTML或XML文档中的元素。这样，爬虫就可以精确地找到所需的数据所在的位置。
2、提取数据：XPath可以根据指定的路径表达式提取特定节点的文本、属性或标签等信息。通过使用XPath表达式，可以轻松地获取所需的数据，如标题、价格、日期等。
3、遍历结构：XPath可以遍历HTML或XML文档的节点结构，让爬虫能够顺序访问文档中的各个节点，并根据需要进行数据提取和处理。
4、过滤数据：XPath支持谓词（Predicate）语法，可以对节点进行条件过滤。这使得爬虫可以根据特定规则筛选所需的数据，例如只提取某个类别的商品或符合某个条件的新闻文章。
5、动态页面处理：许多网页采用动态加载的方式呈现数据，这对传统的基于正则表达式的爬虫来说可能较为困难。而XPath可以应对这种情况，因为它能够在解析前或解析后对文档进行动态的查询和处理。

综上所述，XPath在Python爬虫中充当了一个强大的工具，使得开发者可以更加灵活、准确地抓取和提取网页数据。它简化了数据提取过程，并提供了便捷的方式来处理各种复杂的网页结构和内容。

三、XPath相关匹配规则语法

XPath利用路径表达式来选择XML中的节点，从而实现对元素的定位。现在我们将先介绍一些与XPath相关的语法规则。
这里举一个HTML的例子，在下面语法讲解中，以该例子作为讲解语法的使用示例。

<?xml version="1.0" encoding="ISO-8859-1"?>

<studentList>

<student>
  <name lang="eng">Jack</title>
  <age>15</price>
</student>

<student>
  <name lang="eng">Tom</title>
  <age>20</price>
</student>

</studentList>

1、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：

【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：

2、谓语（Predicates）

谓词用于过滤节点，只选择满足特定条件的节点。谓词通过方括号[]表示，并可以包含一系列条件表达式。

[@attribute='value']：选择具有特定属性值的节点。
[condition]：根据满足特定条件的节点来选择。

【实例】
在下面的表格中，列出了带有谓语的一些路径表达式，以及表达式的结果：

3、选取未知节点

XPath通配符可用来选取未知的XML元素。

【实例】
在下面的表格中，列出了一些路径表达式，以及这些表达式的结果：

4、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，列出了一些路径表达式，以及这些表达式的结果：

5、Axes（轴）

轴可定义相对于当前节点的节点集。

我们可以配合前面的路径（step），来获取XML文档中的复杂关系信息，语法为：

轴名称::节点测试[谓语]

【实例】

6、运算符

下面列出了可用在XPath表达式中的运算符：

7、函数

xpath支持一些关于数值、字符串、逻辑、时间等操作的函数，功能十分丰富，由于函数类型太多，这里不进行一一赘述，详见w3school对xpath的函数介绍：
https://www.w3school.com.cn/xpath/xpath_functions.asp
这里列举一下经常用到的xpath的字符串函数：

下面我们在浏览器中装好xpath插件就可以试验这些语法了。

四、浏览器安装xpath插件

1、xpath浏览器插件介绍

一些浏览器提供了支持XPath的插件或扩展，可以在浏览器中使用XPath进行网页内容的选择和操作。这些插件通常提供了一个XPath解析器，可以直接在浏览器的开发者工具或插件界面中执行XPath查询。
以下是一些常用的浏览器插件或扩展，用于支持XPath：

（1）Chrome浏览器：Chrome浏览器可以通过安装XPath Helper插件来支持XPath。XPath Helper提供了一个交互式的XPath查询编辑器，方便用户在网页上执行XPath查询，并显示匹配的结果。
（2）Firefox浏览器：Firefox浏览器可以通过安装Firebug插件或使用Firefox自带的开发者工具（控制台）来支持XPath。在开发者工具的控制台中，可以使用"$x()"函数执行XPath查询，并查看匹配的结果。
（3）Safari浏览器：Safari浏览器本身内置了支持XPath的开发者工具。在开发者工具的控制台中，可以使用"$x()"函数执行XPath查询，并查看匹配的结果。

我们接下来就以安装Chrome谷歌浏览器的XPath Helper插件为示例。

2、Chrome浏览器xpath安装

（1）插件下载网址:https://crxdl.com/，进入之后，搜索XPath Helper：

（2）找到自己下载的插件装包，解压.zip文件：

（3）再解压后的文件夹中找到 .CRX类型文件, 修改文件类型为 .rar文件：

（4）在修改文件名称后, 解压该 .rar压缩包, 得到文件夹：

（5）然后打开谷歌浏览器，打开右上角的"拓展程序",打开下面的"管理拓展程序", 进去后打开"开发者模式"：

（6）下面把解压后的插件包直接拖进"拓展程序"里面,然后关闭浏览器再打开就可以使用插件：

（7）一些常用的插件建议固定（点亮图中的锥子）,使用插件的时候直接点击下插件的图标, 插件使用结束推出的时候再点击下插件的图标：

点击插件出现小黑框后则意味着插件安装成功：

如何在浏览器中使用xpath呢？上面的小黑框分为两个区域，左边是QUERY的区域，右边是RESULTS的区域，分别代表查询编辑框和结果展示框。我们可以在右侧编写xptah语法来分析当前网页的HTML文档，右侧RESULTS区域会显示最终的分析结果，我们下面找几个示例测试一下。

【示例一】获取简书的文字列表
语法：

//div[@id="list-container"]/ul[@class="note-list"]/li//a[@class="title"]

结果：

【示例二】找到baidu首页的“百度一下”
语法：

//input[@id="su"]/@value

结果：

【示例三】获取今日头条置顶的新闻标题
语法：

//div[@class="main-content"]//a[@class="title stick-tag"]

结果：

五、python如何使用xpath

1、安装XPath解析库lxml

XPath本身并不需要安装，因为它是一种查询语言，而非具体的软件或工具。XPath通常会和其他编程语言或工具库结合使用，以解析和查询XML文档。以下是一般的步骤，用于在Python环境中使用XPath：

（1）安装Python：如果你还没有安装Python，请从Python官方网站（https://www.python.org）下载并安装Python解释器。

（2）安装XPath解析库：Python有多个XPath解析库可供选择，比如lxml和xml.etree.ElementTree。你可以使用pip命令来安装这些库。例如，使用以下命令安装lxml库：

pip install lxml

建议使用豆瓣源，下载比较快：

pip install lxml -i https://pypi.douban.com/simple

注：lxml库是基于C语言的libxml2和libxslt库，提供了高效且功能强大的解析、操作和生成XML/HTML的能力。

（3）导入XPath解析库：在Python代码中，通过导入相应的XPath解析库，使其可用于解析和查询XML文档。例如，在使用lxml库时，可以使用以下导入语句：

from lxml import etree

（4）使用XPath查询：使用XPath解析库lxml提供的查询方法，结合XPath表达式，对XML文档进行查询。

2、lxml.etree解析网页元素的步骤

使用lxml.etree来解析网页元素的一般步骤如下：
（1）导入模块：首先，需要导入lxml.etree库，并可能导入其他相关的模块，例如requests用于获取网页内容。以下是导入lxml.etree的示例代码：

from lxml import etree

（2）获取网页内容：使用适当的方法（如requests库）获取要解析的网页内容。例如，使用requests库发送GET请求并获取网页内容的示例代码如下：

import requests

url = "https://example.com"  # 要解析的网页URL
response = requests.get(url)  # 发送GET请求
html_content = response.text  # 获取网页内容

（3）创建解析器对象：使用lxml.etree模块中的etree.HTML()函数创建一个解析器对象，并将网页内容传递给它。这将返回一个可供后续查询和操作的ElementTree对象。以下是创建解析器对象的示例代码：

tree = etree.HTML(html_content)

如果需要解析本地的html文件，使用etree.parse方法：

tree = etree.parse('D:/pages/test.html')

（4）使用XPath进行查询：使用ElementTree对象的xpath()函数结合XPath表达式来查询特定的网页元素。xpath()函数将返回匹配XPath表达式的元素列表或单个元素。以下是使用XPath查询网页元素的示例代码：

elements = tree.xpath("//div[@class='content']")  # 查询所有class为'content'的div元素
for element in elements:
    # 处理每个匹配到的元素
    print(element.text)

在上述步骤中，etree.HTML()函数用于将HTML内容转换为ElementTree对象，而xpath()函数则用于执行XPath查询。其他常用的函数和方法还包括find()、findall()、get()、text属性等，它们可以根据需要用于获取特定元素的子元素、属性值或文本内容。

3、xpath解析实例

下面我们自己编写一个HTML，然后使用urllib+xpath，去解析HTML文档中的不同要求的内容。HTML页面代码如下：

首先我们要获取HTML页面的数据信息（被抓取样例.html）：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>Title</title>
</head>
<body>
<ul>
    <li id="b1" class="c1">北京</li>
    <li id="b2">上海</li>
    <li id="c3">深圳</li>
    <li id="cb4">武汉</li>
</ul>
<ul>
    <li>大连</li>
    <li>锦州</li>
    <li>沈阳</li>
</ul>
</body>
</html>

然后我们有以下需求，大家可以动脑想一下，然后使用xpath来获取HTML文字中相应需求的数据，这里举了一些示例的分析需求及相应的语法：

# _*_ coding : utf-8 _*_
# @Time : 2023-07-13 15:08
# @Author : 光仔December
# @File : xpath解析样例
# @Project : Python基础

# 导入1xml.etree，需提前安装lxml库
# pip install lxml -i https://pypi.douban.com/simple
from lxml import etree

# 解析本地文件
html_tree = etree.parse('被抓取样例.html')

# 查找ul下面的li
li_list = html_tree.xpath('//ul/li')
print("1、查找ul下面的li：\n", li_list)
print("结果长度：", len(li_list))

# 查找所有有id的属性的li标签
# text()获取标签中的内容
li_list = html_tree.xpath('//ul/li[@id]/text()')
print("2、查找所有有id的属性的li标签：\n", li_list)

# 找到id为b1的li标 注意引号的问题
li_list = html_tree.xpath('//ul/li[@id="b1"]/text()')
print("3、找到id为b1的li标：\n", li_list)

# 查找到id为b1的li标签的class的属性值
li_list = html_tree.xpath('//ul/li[@id="b1"]/@class')
print("4、查找到id为b1的li标签的class的属性值：\n", li_list)

# 查询id中包合b的li标签
li_list = html_tree.xpath('//ul/li[contains(@id,"b")]/text()')
print("5、查询id中包合b的li标签：\n", li_list)

# 查询id的值以b开头的li标签
li_list = html_tree.xpath('//ul/li[starts-with(@id,"b")]/text()')
print("6、查询id的值以b开头的li标签：\n", li_list)

# 查询id为b1且class为c1的li标签
li_list = html_tree.xpath('//ul/li[@id="b1" and @class="c1"]/text()')
print("7、查询id为b1且class为c1的li标签：\n", li_list)

# 查询id为b1或id为b2的li标签
li_list = html_tree.xpath('//ul/li[@id="b1" or @id="b2"]/text()')
print("8、查询id为b1或id为b2的li标签：\n", li_list)

结果：

1、查找ul下面的li：
 [<Element li at 0x23ccaea35c0>, <Element li at 0x23ccaea3700>, <Element li at 0x23ccaea3a00>, <Element li at 0x23ccaea3640>, <Element li at 0x23ccaea3780>, <Element li at 0x23ccaea3940>, <Element li at 0x23ccaea3900>]
结果长度： 7
2、查找所有有id的属性的li标签：
 ['北京', '上海', '深圳', '武汉']
3、找到id为b1的li标：
 ['北京']
4、查找到id为b1的li标签的class的属性值：
 ['c1']
5、查询id中包合b的li标签：
 ['北京', '上海', '武汉']
6、查询id的值以b开头的li标签：
 ['北京', '上海']
7、查询id为b1且class为c1的li标签：
 ['北京']
8、查询id为b1或id为b2的li标签：
 ['北京', '上海']

请注意，上述步骤仅提供了一个基本的示例，并且可能需要根据具体的情况进行适当的调整和扩展。同时也可以参考lxml官方文档以获取更详细的信息和示例。

参考：尚硅谷Python爬虫教程小白零基础速通教学视频

转载请注明出处：https://blog.csdn.net/acmman/article/details/131705392