Python xpath解析原理是什么，有什么用

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

XPath的选择功能十分强大，它提供了非常简明的路径选择表达式，另外，它还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等，几乎所有我们想要定位的节点，都可以用XPath来选择

xpath解析原理:

• 实现标签的定位：实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象中。

• 调用etree对象中的xpath方法结合着xpath表达式实现标签的定位和内容的捕获。

环境的安装

pip install lxml

lxml是python的一个解析库，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高

如何实例化一个etree对象

1.将本地的html文档中的源码数据加载到etree对象中:

etree. parse(filePath)#你的文件路径

2.可以将从互联网上获取的源码数据加载到该对象中

etree.HtML('page_ text')#page_ text互联网中响应的数据

xpath 表达式

对上面表达式的实例详解

这是一个HTML的文档

html lang="en">
    head>
    
	meta charset="UTF-8" />
    
	title>
    测试bs4/title>
    /head>
    body>
    
	p>
    
		p>
    百里守约/p>
    
	/p>
    
	p class="song">
    
		p>
    李清照/p>
    
		p>
    王安石/p>
    
		p>
    苏轼/p>
    
		p>
    柳宗元/p>
    
		a href="http://www.song.com/" title="赵匡胤" target="_self">
    
			span>
    this is span/span>
    
		宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱/a>
    
		a href="" class="du">
    总为浮云能蔽日,长安不见使人愁/a>
    
		img src="http://www.baidu.com/meinv.jpg" alt="" />
    
	/p>
    
	p class="tang">
    
		ul>
    
			li>
    a href="http://www.baidu.com" title="qing">
    清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村/a>
    /li>
    
			li>
    a href="http://www.163.com" title="qin">
    秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山/a>
    /li>
    
			li>
    a href="http://www.126.com" alt="qi">
    岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君/a>
    /li>
    
			li>
    a href="http://www.sina.com" class="du">
    杜甫/a>
    /li>
    
			li>
    a href="http://www.dudu.com" class="du">
    杜牧/a>
    /li>
    
			li>
    b>
    杜小月/b>
    /li>
    
			li>
    i>
    度蜜月/i>
    /li>
    
			li>
    a href="http://www.haha.com" id="feng">
    凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘/a>
    /li>
    
		/ul>
    
	/p>
    /body>
    /html>
    

从浏览器中打开是这样的

为了方便直观，我们对写个HTML文件进行本地读取进行测试

子节点和子孙节点的定位 / 和 //

先来看子节点和子孙节点，我们从上往下找p这个节点，可以看到p的父节点是body，body父节点是html

定位到这个HTML的p对象中，看上面html源码，可以知道有三个p对象

我们通过三种不同的方法来输出这个节点的信息，可以看到输出的是三个一样的Element，也就是这三种方法实现的功能是一样的。

import requestsfrom lxml import etree
tree = etree.parse('test.html')r1=tree.xpath('/html/body/p')	#直接从上往下挨着找节点r2=tree.xpath('/html//p')#跳跃了一个节点来找到这个p节点的对象r3=tree.xpath('//p')##跳跃上面所有节点来寻找p节点的对象r1,r2,r3>
    >
    ([Element p at 0x19d44765108>
    ,
  Element p at 0x19d447658c8>
    ,
  Element p at 0x19d44765588>
    ],
  
 [Element p at 0x19d44765108>
    ,
  Element p at 0x19d447658c8>
    ,
  Element p at 0x19d44765588>
    ],
  
 [Element p at 0x19d44765108>
    ,
  Element p at 0x19d447658c8>
    ,
  Element p at 0x19d44765588>
    ])

属性定位

如果我只想要p里面song这一个标签，就可以对其属性定位

当然返回的还是一个element

r4=tree.xpath('//p[@class="song"]')r4>
    >
    >
    [Element p at 0x19d447658c8>
    ]

索引定位

如果我只想获得song里面的苏轼的这个标签
我们找到了song，/p可以返回里面的所有标签，

tree.xpath('//p[@class="song"]/p')>
    >
    [Element p at 0x19d4469a648>
    ,
 Element p at 0x19d4469a4c8>
    ,
 Element p at 0x19d4469af88>
    ,
 Element p at 0x19d4469a148>
    ]

这个单独返回的苏轼的p标签，要注意的是这里的索引不是从0开始的，而是1

tree.xpath('//p[@class="song"]/p[3]')[Element p at 0x19d4469af88>
    ]

取文本

比如我想取杜牧这个文本内容

和上面一样，我们要定位到杜牧的这个a标签，首先要找到他的上一级 li ，这是第五个 li 里面的a所以就有了下面的写法，text()是把element转化为文本，当然上面的在后面加个text（）都可以展示文本内容。

tree.xpath('//p[@class="tang"]//li[5]/a/text()')>
    >
['杜牧']

可以看到这个返回的是一个列表，如果我们想取里面的字符串，可以这样

tree.xpath('//p[@class="tang"]//li[5]/a/text()')[0]杜牧

看一个更直接的，//li 直接定位到 li这个标签，//text（）直接将这个标签下的文本提取出来。但要注意，这样会把所有的li标签下面的文本提取出来，有时候你并不想要的文本也会提取出来，所以最好还是写详细一点，如具体到哪个p里的li。

tree.xpath('//li//text()')['清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村',
 '秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山',
 '岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君',
 '杜甫',
 '杜牧',
 '杜小月',
 '度蜜月',
 '凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘']

取属性

比如我想取下面这个属性

可以直接用@取属性

tree.xpath('//p[@class="song"]/img/@src')['http://www.baidu.com/meinv.jpg']

或者如果我想取所有的href这个属性，可以看到tang和song的所有href属性

tree.xpath('//@href')['http://www.song.com/',
 '',
 'http://www.baidu.com',
 'http://www.163.com',
 'http://www.126.com',
 'http://www.sina.com',
 'http://www.dudu.com',
 'http://www.haha.com']

爬虫实战之58同城房源信息

#导入必要的库import requestsfrom lxml import etree#URL就是网址，headers看图一url='https://sh.58.com/ershoufang/'headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0;
     Win64;
 x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.7 Safari/537.36'}
    #对网站发起请求page_test=requests.get(url=url,headers=headers).text# 这里是将从互联网上获取的源码数据加载到该对象中tree=etree.HTML(page_test)#先看图二的解释，这里li有多个，所里返回的li_list是一个列表li_list=tree.xpath('//ul[@class="house-list-wrap"]/li')#这里我们打开一个58.txt文件来保存我们的信息fp=open('58.txt','w',encoding='utf-8')#li遍历li_listfor li in li_list:
	#这里 ./是对前面li的继承，相当于li/p...
    title=li.xpath('./p[2]/h2/a/text()')[0]
    print(title+'\n')
    #把文件写入文件
    fp.write(title+'\n')fp.close()

图一：

图二：.
这里我们要提取所有的房源信息，可以看到每个小节点的上一个节点都是一样的，我们要提取的是h2节点a里的房源信息，看图三

这里每个 /li 节点里面的子节点都是一样的，所以我们可以先找到所有的li节点，再往下找我们想要的信息