Python 爬虫教程之：Xpath简易操作

　　简介

　　XPath ，全称 XML Path Language ，即 XML 路径语言，它是一门在 XML 文档中查找信息的语言。它最初是用来搜寻 XML 文档的，但是它同样适用于 HTML 文档的搜索。

　　首先，还是敬上 Xpath 的官方网站：https://www.w3.org/TR/xpath/all/ 。

　　其次，再敬上两个还不错的学习地址：

　　w3school：https://www.w3school.com.cn/xpath/index.asp

　　菜鸟教程：https://www.runoob.com/xpath/xpath-tutorial.html

　　常用路径表达式

　　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。

　　注意，在使用 Xpath 之前，需要先确保安装好 lxml 库，如果没有安装，可以参考前面的前置准备进行安装。

　　Xpath 演示

　　首先需要引入 lxml 库的 etree 模块，接着引入 Requests 模块，小编这里直接以自己的博客站用作示例。

　　from lxml import etree

　　import requests

　　response = requests.get('https://www.geekdigging.com/')

　　html_str = response.content.decode('UTF-8')

　　html = etree.HTML(html_str)

　　result = etree.tostring(html, encoding = 'UTF-8').decode('UTF-8')

　　print(result)

　　结果如下：

　　可以看到结果是成功爬取，这里我们首先使用 requests 获取首页的源代码 byte 数据流，接着使用 decode() 进行解码，解码后将字符串传入 etree.HTML() 构建了一个 lxml.etree._Element 对象，接着我们对这个对象做了 tostring() 转换字符串并且进行打印。

　　注意： 这里使用 tostring() 进行转化字符串的时候，一定需要添加参数 encoding ，否则中文将会显示为 Unicode 编码。

　　所有节点

　　我们构建完成了 Element 对象，接着我们就可以开始愉快的 Xpath 学习了。

　　我们会用 // 开头的 XPath 规则来选取所有符合要求的节点。示例(依然采用上面的 html )：

　　result_1 = html.xpath('//*')

　　print(result_1)

　　结果如下：

　　[, , , , ,......

　　结果太长仅截取部分。

　　这里使用 * 代表匹配所有节点，也就是整个 HTML 文本中的所有节点都会被获取。可以看到，返回形式是一个列表，每个元素是 Element 类型，其后跟了节点的名称，如 html 、 head 、 meta 等，所有节点都包含在列表中了。

　　当然，在这里匹配也可以指定节点的名称，例如获取所有的 meta 节点：

　　result_2 = html.xpath('//meta')

　　print(result_2)

　　结果如下：

　　[, , , , , , , , , , , , , , , , , , , ]

　　这里要选取所有 meta 节点，可以使用 // ，然后直接加上节点名称即可，调用时直接使用 xpath() 方法即可。由于返回的是一个列表，所有要获取特定的某个 meta 的时候，可以直接在 [] 中加索引，例如 [0] 。

　　子节点郑州好的妇科医院 http://www.zzkedayy.com/

　　获取子节点一般可以使用 / 或者 // 来获取子节点或者孙子节点。

　　比如现在想获取所有的文章内容的块，如下：

　　红框所标识的内容，可以看到 DOM 结构为 下面的 ，那么这个语句可以这么写：

　　result_3 = html.xpath('//main/article')

　　print(result_3)

　　结果如下：

　　[, , , , , , , , , , , ]

　　此处的 / 是用于获取子节点，如果想要获取孙子节点，

　　则可以这么写：

　　result_4 = html.xpath('//main//div')

　　print(result_4)

　　结果就不贴了，太长了。

　　父节点

　　我们可以通过 / 和 // 来查找子节点，那么肯定有语法可以查找父节点，不然只能向下查询不能向上查询就有点就有点太傻了。

　　父节点的查找是通过 .. 来实现的，比如我们先找到一篇文章的图片，现在要向上查找它的 ，如下图：

　　这里我们通过 alt 属性为 小白学 Python 爬虫(16)：urllib 实战之爬取妹子图 的

　　，然后获取它的父节点 ，并且打印他的 href 属性，代码如下：

　　result_5 = html.xpath('//img[@alt="小白学 Python 爬虫(16)：urllib 实战之爬取妹子图"]/../@href')

　　print(result_5)

　　结果如下：

　　['/2019/12/09/1691033431/']

　　同时我们获取父节点还可以使用 parent:: 。

　　result_6 = html.xpath('//img[@alt="小白学 Python 爬虫(16)：urllib 实战之爬取妹子图"]/parent::*/@href')

　　print(result_6)

　　属性过滤

　　在选取节点的时候，我们可以使用 @ 符号进行属性过滤。

　　比如我们在选取

　　的时候，可以使用 class 为 container 的

　　。而在首页的 的子节点中， class 为 container 的

　　只有一个，代码如下：

　　result_7 = html.xpath('//section/div[@class="container"]')

　　print(result_7)

　　得到运行结果。