xpath高级用法 xpath爬虫python3

本篇主要介绍Xpath的一些高级用法，Xpath定位速度较快，是爬虫在网页定位中的较优选择。
测试工具及环境：Python3.6.4，lxml（第三方库）
测试所使用的html代码片段：

xpath test - 锐客网时间地点任务这里是个小标题 1 2 3 84 104 223 这里是H3的内容百度一下 test1 test2 1 2 3 4 5 6 7 8 9 10

1、匹配某节点下的所有

// 获取文档中所有匹配的节点
. 获取当前节点，有的时候我们需要获取当前节点下的所有节点
一定要结合 . 使用 //，否则会获取整个文档的匹配结果

2、匹配包含某属性的所有的属性值（//@lang）

>>print(tree.xpath('//@code')) >>['84', '104', '223']

3、选取若干路径（|）
这个符号用于在一个xpath中写多个表达式，用 | 分开，每个表达式互不干扰

# 多个匹配条件 >>print(tree.xpath('//div[@id="testid"]/h2/text() | //li[@data]/text()')) >>['这里是个小标题', '1', '2', '3']

4、Axes（轴）

child：选取当前节点的所有子元素

child 子节点定位 >>print(tree.xpath('//div[@id="testid"]/child::ul/li/text()')) >>['84', '104', '223'] # child::* 当前节点的所有子元素 >>print(tree.xpath('//div[@id="testid"]/child::*')) >>[, , ] # 定位某节点下为ol的子节点下的所有节点 >>print tree.xpath('//div[@id="testid"]/child::ol/child::*/text()') >>['1', '2', '3'] # attribute：选取当前节点的所有属性 # attribute定位id属性值 >>print(tree.xpath('//div/attribute::id')) >>['testid', 'go'] # 定位当前节点的所有属性 >>print(tree.xpath('//div[@id="testid"]/attribute::*')) >>['testid', 'first']

ancestor：父辈元素 / ancestor-or-self：父辈元素及当前元素

# 定位父辈div元素的price属性 >>print(tree.xpath('//div[@id="testid"]/ancestor::div/@price')) >>['99.8']# 所有父辈div元素 >>print(tree.xpath('//div[@id="testid"]/ancestor::div')) >>[]# 所有父辈及当前节点div元素 >>print(tree.xpath('//div[@id="testid"]/ancestor-or-self::div')) >>[, ]

descendant：后代元素/ descendant-or-self：后代元素及当前元素
following：选取文档中当前节点的结束标签之后的所有节点

# 定位testid之后不包含id属性的div标签下所有的li中第一个li的text属性 >>print(tree.xpath('//div[@id="testid"]/following::div[not(@id)]/.//li[1]/text()')) >>['test1']

namespace：选取当前节点的所有命名空间节点

# 选取命名空间节点 >>print(tree.xpath('//div[@id="testid"]/namespace::*')) >>[('xml', 'http://www.w3.org/XML/1998/namespace')]

parent：选取当前节点的父节点

# 选取data值为one的父节点的子节点中最后一个节点的值 >>print(tree.xpath('//li[@data="https://www.it610.com/article/one"]/parent::ol/li[last()]/text()')) >>['3']

preceding：选取文档中当前节点的开始标签之前的所有节点

# 记住是标签开始之前，同级前节点及其子节点 >>print(tree.xpath('//div[@id="testid"]/preceding::div/ul/li[1]/text()')[0]) >>时间# 下面这两条可以看到其顺序是靠近testid节点的优先 >>print(tree.xpath('//div[@id="testid"]/preceding::li[1]/text()')[0]) >>任务>>print(tree.xpath('//div[@id="testid"]/preceding::li[3]/text()')[0]) >>时间

preceding-sibling：选取当前节点之前的所有同级节点

# 记住只能是同级节点 >>print(tree.xpath('//div[@id="testid"]/preceding-sibling::div/ul/li[2]/text()')[0]) >>地点# 这里返回的就是空的了 >>print(tree.xpath('//div[@id="testid"]/preceding-sibling::li')) >>[]

self：选取当前节点

# 选取带id属性值的div中包含data-h属性的标签的所有属性值 >>print(tree.xpath('//div[@id]/self::div[@data-h]/attribute::*')) >>['testid', 'first']

组合拳

# 定位id值为testid下的ol下的li属性值data为two的父元素ol的兄弟前节点h2的text值 >>print(tree.xpath('//*[@id="testid"]/ol/li[@data="https://www.it610.com/article/two"]/parent::ol/preceding-sibling::h2/text()')[0]) >>这里是个小标题

5、position定位

>>print(tree.xpath('//*[@id="testid"]/ol/li[position()=2]/text()')[0]) >>2

6、条件

# 定位所有h2标签中text值为 '这里是个小标题' >>print(tree.xpath('//h2[text()="这里是个小标题"]/text()')[0]) >>这里是个小标题

7、函数

count：统计

# 节点统计 >>print(tree.xpath('count(//li[@data])')) >>3.0

concat：字符串连接

>>print(tree.xpath('concat(//li[@data="https://www.it610.com/article/one"]/text(),//li[@data="https://www.it610.com/article/three"]/text())')) >>13

string：解析当前节点下的字符

# string只能解析匹配到的第一个节点下的值，也就是作用于list时只匹配第一个>>print(tree.xpath('string(//li)')) >>时间

local-name：解析节点名称

# local-name解析节点名称 >>print(tree.xpath('local-name(//*[@id="testid"])')) >>div

contains(string1,string2)：如果 string1 包含 string2，则返回 true，否则返回 false

# 使用字符内容来辅助定位 >>tree.xpath('//h3[contains(text(),"H3")]/a/text()')[0] >>百度一下

一记组合拳

# 匹配带有href属性的a标签的先辈节点中的div，其兄弟节点中前一个div节点下ul下li中text属性包含“务”字的节点的值 >>print(tree.xpath('//a[@href]/ancestor::div/preceding::div/ul/li[contains(text(),"务")]/text()')[0]) >>任务

not：布尔值（否）

# 不包含data属性的li标签统计 >>print(tree.xpath('count(//li[not(@data)])')) >>18.0

string-length：返回指定字符串的长度

# string-length函数+local-name函数定位节点名长度小于2的元素 >>print tree.xpath('//*[string-length(local-name())<2]/text()')[0] >>百度一下

组合拳2

# contains函数+local-name函数定位节点名包含di的元素 >>print(tree.xpath('//div[@id="testid"]/following::div[contains(local-name(),"di")]')) >>[, ]

or：多条件匹配

# or 匹配多个条件 >>print(tree.xpath('//li[@data="https://www.it610.com/article/one" or @code="84"]/text()')) >>['1', '84']# | 匹配多个条件 >>print tree.xpath('//li[@data="https://www.it610.com/article/one"]/text() | //li[@code="84"]/text()') >>['1', '84']

【xpath高级用法】组合拳3：floor + div除法 + ceiling

# position定位+last+div除法，选取中间两个 >>tree.xpath('//div[@id="go"]/ul/li[position()=floor(last() div 2+0.5) or position()=ceiling(last() div 2+0.5)]/text()') >>['5', '6']

组合拳4：隔行定位：position+mod取余

# position+取余运算隔行定位 >>tree.xpath('//div[@id="go"]/ul/li[position()=((position() mod 2)=0)]/text()')

starts-with：以...开始

# 定位属性值以8开头的li元素 >>print(tree.xpath('//li[starts-with(@code,"8")]/text()')[0]) >>84

8、数值比较

<：小于

# 所有li的code属性小于200的节点 >>print(tree.xpath('//li[@code<200]/text()')) >>['84', '104']

div：对某两个节点的属性值做除法

>>print(tree.xpath('//div[@id="testid"]/ul/li[3]/@code div //div[@id="testid"]/ul/li[1]/@code')) >>2.65476190476

组合拳5：根据节点下的某一节点数量定位

# 选取所有ul下li节点数大于5的ul节点 >>print(tree.xpath('//ul[count(li)>5]/li/text()')) >>['1', '2', '3', '4', '5', '6', '7', '8', '9', '10']

9、将对象还原为字符串

# 使用xpath定位一个节点 >>> s = tree.xpath('//*[@id="testid"]')[0] >>> s []# 还原这个对象为html字符串 >>> s2 = etree.tostring(s, encoding='utf-8').decode() >>> s2这里是个小标题 1 2 3 84 104 223 进程已结束,退出代码0

说明一点，xpath虽快，但是使用时尽量使用简洁高效的方式，本文旨在定位那些较难的地方使用，刻意追求晦涩难懂的技巧会影响其效率，并不可取。
作者：52_St
链接：https://www.jianshu.com/p/b78...
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。