美文网首页
05-XPath

05-XPath

作者: 郑元吉 | 来源:发表于2018-11-30 09:17 被阅读4次

    一. XPath概念

    XPath即为XML路径语言，它是一种用来确定XML（标准通用标记语言的子集）文档中某部分位置的语言。XPath基于XML的树状结构，有不同类型的节点，包括元素节点，属性节点和文本节点，提供在数据结构树中找寻节点的能力。

    1.什么是 XPath?
     XPath 使用路径表达式在 XML 文档中进行导航
 XPath 包含一个标准函数库
 XPath 是 XSLT 中的主要元素
 XPath 是一个 W3C 标准
    2. 使用xpath
     pip install lxml

    import lxml
from lxml import etree
    XPath Helper插件

    chrome插件网：http://www.cnplugins.com/

    添加插件

    Ctrl + Shift + X打开或关闭插件

    二. XPath 术语

    1.节点（Node）
     在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

    请看下面这个 XML 文档：

    <?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
    <book>
        <title lang="en">Harry Potter</title>
        <author>J K. Rowling</author>
        <year>2005</year>
        <price>29.99</price>
    </book>
</bookstore>


     #基本值（或称原子值，Atomic value）
 基本值是无父或无子的节点。

  - 项目（Item）
      项目是基本值或者节点。
 # 节点关系
 - 父（Parent）
      每个元素以及属性都有一个父。
 - 子（Children）
      元素节点可有零个、一个或多个子。
 - 同胞（Sibling）
      拥有相同的父的节点
 - 先辈（Ancestor）
      某节点的父、父的父，等等。
 - 后代（Descendant）
      某个节点的子，子的子，等等。

    三. XPath 语法

    <?xml version="1.0" encoding="UTF-8"?>

<bookstore>
    <book>
      <title lang="eng">Harry Potter</title>
      <price>29.99</price>
    </book>

    <book>
      <title lang="eng">Learning XML</title>
      <price>39.95</price>
    </book>
</bookstore>
    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：
    表达式 描述
    / 获取子节点，默认选取根节点。
    // 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。

    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：

    路径表达式 结果
    /bookstore 选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
    /bookstore/book 选取属于 bookstore 的子元素的所有 book 元素。
    //book 选取所有 book 子元素，而不管它们在文档中的位置。
    /bookstore//book 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
    //@lang 选取名为 lang 的所有属性。
    2. 谓语（Predicates）
     谓语用来查找某个特定的节点或者包含某个指定的值的节点。

谓语被嵌在方括号中。

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

    路径表达式 结果
    /bookstore/book[1] 选取属于 bookstore 子元素的第一个 book 元素。
    /bookstore/book[last()] 选取属于 bookstore 子元素的最后一个 book 元素。
    /bookstore/book[last()-1] 选取属于 bookstore 子元素的倒数第二个 book 元素。
    /bookstore/book[position()<3] 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
    //title[@lang] 选取所有拥有名为 lang 的属性的 title 元素。
    //title[@lang='eng'] 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
    /bookstore/book[price>35.00] 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
    /bookstore/book[price>35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。
    3. 选取未知节点
     XPath 通配符可用来选取未知的 XML 元素。
    通配符 描述
    * 匹配任何元素节点。
    @* 匹配任何属性节点。
    node() 匹配任何类型的节点。

    在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

    路径表达式 结果
    /bookstore/* 选取 bookstore 元素的所有子元素。
    //* 选取文档中的所有元素。
    //title[@*] 选取所有带有属性的 title 元素。
    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。

    在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

    路径表达式 结果
    //book/title | //book/price 选取 book 元素的所有 title 和 price 元素。
    //title | //price 选取文档中的所有 title 和 price 元素。
    /bookstore/book/title | //price 选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。 
    htmlFile = '''
    <ul>
        <li class="item-0"><a href="link1.html">first item</a></li>
        <li class="item-1"><a href="link2.html">second item</a></li>
        <li class="item-inactive"><a href="link3.html">third item</a></li>
        <li class="item-1"><a href="link4.html">fourth item</a></li>
        <li class="item-0"><a href="link5.html">fifth item</a></li> 
    </ul>
'''
    
html = lxml.etree.parse("filename.html") # 读取文件
html = lxml.etree.HTML(htmltext) # 直接加载
    
print(html.xpath("//li/@class")) # 取出li的所有节点class名称
print(html.xpath("//li/@text")) # 为空，如果包含这个属性，
print(html.xpath("//li/a")) # li下面5个节点，每个节点对应一个元素
print(html.xpath("//li/a/@href")) # 取出li的所有节点 a内部href名称
print(html.xpath("//li/a/@href=\"link3.html\"")) # 判断是有一个节点==link3.html
print(html.xpath("//li//span")) # 取出li下面所有的span
print(html.xpath("//li//span/@class")) # 取出li下面所有的span内部的calss
print(html.xpath("//li/a//@class")) # 取出li的所有节点内部节点a包含的class
print(html.xpath("//li")) # 取出所有节点
print(html.xpath("//li[1]")) # 取出第一个
print(html.xpath("//li[last()]")) # 取出最后一个
print(html.xpath("//li[last()-1]")) # 取出倒数第2个
print(html.xpath("//li[last()-1]/a/@href")) # 取出倒数第2个的a下面的href
print(html.xpath("//*[@text=\"3\"]")) # 选着text=3的元素
print(html.xpath("//*[@text=\"3\"]/@class")) # 选着text=3的元素
print(html.xpath("//*[@class=\"nimei\"]")) # 选着text=3的元素
print(html.xpath("//li/a/text()")) # 取出<>
print(html.xpath("//li[3]/a/span/text()")) # 取出内部<>数据

    示例1：抓取前程无忧招聘网岗位数量

    import requests
import lxml
from lxml import etree

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}

def getcity(url):
    response = requests.get(url, headers=headers)
    html = response.content.decode('gbk')

    # 创建etree对象
    myetree = lxml.etree.HTML(html)

    citysurl = myetree.xpath('/html/body/div[2]/div[2]/div[2]/div[1]/a/@href')
    for cityurl in citysurl:
        getcityjob(cityurl)

def getcityjob(cityurl):
    response = requests.get(cityurl, headers=headers)
    html = response.content.decode('gbk')
    # 创建etree对象
    myetree = lxml.etree.HTML(html)
    #获取总页数
    pages = myetree.xpath('//*[@id="hidTotalPage"]/@value')[0]
    pages = int(pages)
    for page in range(1,pages+1):
        newurl = cityurl + 'p'+str(page)
        #获取这一页的全部岗位
        esponse = requests.get(newurl, headers=headers)
        html = response.content.decode('gbk')
        # 创建etree对象
        myetree = lxml.etree.HTML(html)

        jobs = myetree.xpath('/html/body/div[3]/div[3]/div[1]/div[2]')
        for job in jobs:
            #岗位名称
            jobname = job.xpath('.//div[1]/p[1]/span[1]/a/text()')[0].strip()
            #公司名称
            companyname =  job.xpath(".//div[1]/p[1]/a/text()")[0].strip()
            #地址
            address = job.xpath(".//div[1]/p[1]/span[2]/text()")[0].strip()
            #工资
            money = job.xpath(".//div[1]/p[1]/span[3]/text()")[0].strip()
            #发布时间
            sendtime = job.xpath(".//div[1]/p[1]/span[4]/text()")[0].strip()
            #学历要求
            require = job.xpath(".//div[1]/p[2]/text()[1]")[0].strip()
            #工作经验
            experience = job.xpath(".//div[1]/p[2]/text()[2]")[0].strip()
            #公司性质
            nature = job.xpath(".//div[1]/p[2]/text()[3]")[0].strip()
            #公司规模
            size = job.xpath(".//div[1]/p[2]/text()[4]")[0].strip()
            #职位描述
            describe = job.xpath(".//div[1]/p[3]/@title")[0].strip()


if __name__ == "__main__":
    getcity('https://jobs.51job.com/')

    常用UA池

       ua_list = [ "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60",
    "Opera/8.0 (Windows NT 5.1; U; en)",
    "Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50",
    "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2 ",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36",
    "Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)",
]

    相关文章

      网友评论

          本文标题：05-XPath

          本文链接：https://www.haomeiwen.com/subject/rxjccqtx.html

          延伸阅读

          深度阅读

          • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

          栏目导航

          热点阅读

          关于我们|服务条款|联系我们|05-XPath|投稿指南|网站地图|RSS订阅|排版工具|手机版

          提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

          Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

          备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

          本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

          所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！