Python的Xpath取文本内容 python xpath用法

一、简介

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。

二、安装

1

pip3 install lxml

三、使用

1、导入

from lxmlimport etree

2、基本使用

from lxmlimport etree
wb_data= """

• first item
• second item
• third item
• fourth item
• fifth item

"""
html= etree.HTML(wb_data)
print(html)
result= etree.tostring(html)
print(result.decode("utf-8"))

从下面的结果来看，我们打印机html其实就是一个python对象，etree.tostring(html)则是不全里html的基本写法，补全了缺胳膊少腿的标签。

first item

second item

third item

fourth item

fifth item

3、获取某个标签的内容(基本使用)，注意，获取a标签的所有内容，a后面就不用再加正斜杠，否则报错。

写法一

html= etree.HTML(wb_data)
html_data= html.xpath('/html/body/div/ul/li/a')
print(html)
for iin html_data:
print(i.text)
first item
second item
third item
fourth item
fifth item

写法二(直接在需要查找内容的标签后面加一个/text()就行)

html= etree.HTML(wb_data)
html_data= html.xpath('/html/body/div/ul/li/a/text()')
print(html)
for iin html_data:
print(i)
first item
second item
third item
fourth item
fifth item

4、打开读取html文件

#使用parse打开html的文件
html= etree.parse('test.html')
html_data= html.xpath('//*')
#打印是一个列表，需要遍历print(html_data)
for iin html_data:
print(i.text)

html= etree.parse('test.html')
html_data= etree.tostring(html,pretty_print=True)
res= html_data.decode('utf-8')
print(res)

打印：

first item

second item

third item

fourth item

fifth item

5、打印指定路径下a标签的属性(可以通过遍历拿到某个属性的值，查找标签的内容)

html= etree.HTML(wb_data)
html_data= html.xpath('/html/body/div/ul/li/a/@href')
for iin html_data:
print(i)
打印：
link1.html
link2.html
link3.html
link4.html
link5.html

6、我们知道我们使用xpath拿到得都是一个个的ElementTree对象，所以如果需要查找内容的话，还需要遍历拿到数据的列表。

查到绝对路径下a标签属性等于link2.html的内容。

html= etree.HTML(wb_data)
html_data= html.xpath('/html/body/div/ul/li/a[@href="link2.html"]/text()')
print(html_data)
for iin html_data:
print(i)
打印：
['second item']
second item

7、上面我们找到全部都是绝对路径(每一个都是从根开始查找)，下面我们查找相对路径，例如，查找所有li标签下的a标签内容。

html= etree.HTML(wb_data)
html_data= html.xpath('//li/a/text()')
print(html_data)
for iin html_data:
print(i)
打印：
['first item','second item','third item','fourth item','fifth item']
first item
second item
third item
fourth item
fifth item

8、上面我们使用绝对路径，查找了所有a标签的属性等于href属性值，利用的是/---绝对路径，下面我们使用相对路径，查找一下l相对路径下li标签下的a标签下的href属性的值，注意，a标签后面需要双//。

html= etree.HTML(wb_data)
html_data= html.xpath('//li/a//@href')
print(html_data)
for iin html_data:
print(i)
打印：
['link1.html','link2.html','link3.html','link4.html','link5.html']
link1.html
link2.html
link3.html
link4.html
link5.html

9、相对路径下跟绝对路径下查特定属性的方法类似，也可以说相同。

html= etree.HTML(wb_data)
html_data= html.xpath('//li/a[@href="link2.html"]')
print(html_data)
for iin html_data:
print(i.text)
打印：
[]
second item

10、查找最后一个li标签里的a标签的href属性

html= etree.HTML(wb_data)
html_data= html.xpath('//li[last()]/a/text()')
print(html_data)
for iin html_data:
print(i)
打印：
['fifth item']
fifth item

11、查找倒数第二个li标签里的a标签的href属性

html= etree.HTML(wb_data)
html_data= html.xpath('//li[last()-1]/a/text()')
print(html_data)
for iin html_data:
print(i)
打印：
['fourth item']
fourth item
12、如果在提取某个页面的某个标签的xpath路径的话，可以如下图：
//*[@id="kw"]

解释：使用相对路径查找所有的标签，属性id等于kw的标签。

#!/usr/bin/env python
# -*- coding:utf-8 -*-
from scrapy.selector import Selector, HtmlXPathSelector
from scrapy.http import HtmlResponse
html = """

• first item
• first item
• second itemvv

second item

"""
response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
# hxs = HtmlXPathSelector(response)
# print(hxs)
# hxs = Selector(response=response).xpath('//a')
# print(hxs)
# hxs = Selector(response=response).xpath('//a[2]')
# print(hxs)
# hxs = Selector(response=response).xpath('//a[@id]')
# print(hxs)
# hxs = Selector(response=response).xpath('//a[@]')
# print(hxs)
# hxs = Selector(response=response).xpath('//a[@href="link.html"][@]')
# print(hxs)
# hxs = Selector(response=response).xpath('//a[contains(@href, "link")]')
# print(hxs)
# hxs = Selector(response=response).xpath('//a[starts-with(@href, "link")]')
# print(hxs)
# hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]')
# print(hxs)
# hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]/text()').extract()
# print(hxs)
# hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]/@href').extract()
# print(hxs)
# hxs = Selector(response=response).xpath('/html/body/ul/li/a/@href').extract()
# print(hxs)
# hxs = Selector(response=response).xpath('//body/ul/li/a/@href').extract_first()
# print(hxs)
# ul_list = Selector(response=response).xpath('//body/ul/li')
# for item in ul_list:
# v = item.xpath('./a/span')
# # 或
# # v = item.xpath('a/span')
# # 或
# # v = item.xpath('*/a/span')
# print(v)