使用时先安装 lxml 包
开始使用# 和beautifulsoup类似，首先我们需要得到一个文档树
把文本转换成一个文档树对象 from lxml import etree if name == ‘main’: doc=’’’
first item second item third item fourth item fifth item # 注意，此处缺少一个 闭合标签 ‘’’ html = etree.HTML(doc) result = etree.tostring(html) print(str(result,'utf-8'))把文件转换成一个文档树对象 from lxml import etree
html = etree.parse(’./index.html’) result = etree.tostring(html, pretty_print=True) #pretty_print=True 会格式化输出 print(result) 均会打印出文档内容
节点、元素、属性、内容# xpath 的思想是通过 路径表达 去寻找节点。节点包括元素，属性，和内容
元素举例 html —> … div —>
… a —> … 这里我们可以看到，这里的元素和html中的标签一个意思。单独的元素是无法表达一个路径的，所以单独的元素不能独立使用路径表达式# / 根节点，节点分隔符， // 任意位置 . 当前节点 … 父级节点 @ 属性 通配符# * 任意元素 @* 任意属性 node() 任意子节点（元素，属性，内容) 谓语# 使用中括号来限定元素，称为谓语
//a[n] n为大于零的整数，代表子元素排在第n个位置的<a>元素 //a[last()] last() 代表子元素排在最后个位置的<a>元素 //a[last()-] 和上面同理，代表倒数第二个 //a[position()<3] 位置序号小于3，也就是前两个，这里我们可以看出xpath中的序列是从1开始 //a[@href] 拥有href的<a>元素 //a[@href='www.baidu.com'] href属性值为'www.baidu.com'的<a>元素 //book[@price>2] price值大于2的<book>元素多个路径# 用| 连接两个表达式，可以进行 或匹配
//book/title | //book/price 函数# xpath内置很多函数。更多函数查看https://www.w3school.com.cn/xpath/xpath_functions.asp
contains(string1,string2) starts-with(string1,string2) ends-with(string1,string2) #不支持 upper-case(string) #不支持 text() last() position() node() 可以看到last()也是个函数，在前面我们在谓语中已经提到过了
案例# 定位元素# 匹配多个元素，返回列表
from lxml import etree
if name == ‘main’: doc=’’’
first item second item third item fourth item fifth item # 注意，此处缺少一个 闭合标签 ‘’’ html = etree.HTML(doc) print(html.xpath("//li")) print(html.xpath("//p"))【结果为】
[<Element li at 0x2b41b749848>, <Element li at 0x2b41b749808>, <Element li at 0x2b41b749908>, <Element li at 0x2b41b749948>, <Element li at 0x2b41b749988>] [] #没找到p元素 html = etree.HTML(doc) print(etree.tostring(html.xpath("//li[@class=‘item-inactive’]")[0])) print(html.xpath("//li[@class=‘item-inactive’]")[0].text) print(html.xpath("//li[@class=‘item-inactive’]/a")[0].text) print(html.xpath("//li[@class=‘item-inactive’]/a/text()")) print(html.xpath("//li[@class=‘item-inactive’]/…")) print(html.xpath("//li[@class=‘item-inactive’]/…/li[@class=‘item-0’]")) 【结果为】
b’
third item\n ’ None #因为第三个li下面没有直接text，None third item # [‘third item’] [<Element ul at 0x19cd8c4c848>] [<Element li at 0x15ea3c5b848>, <Element li at 0x15ea3c5b6c8>] 使用函数# contains# 有的时候，class作为选择条件的时候不合适@class=’…’ 这个是完全匹配，当王爷样式发生变化时，class或许会增加或减少像active的class。用contains就能很方便from lxml import etree if name == ‘main’: doc=’’’
first item
second item third item fourth item fifth item # 注意，此处缺少一个 闭合标签 ‘’’ html = etree.HTML(doc) print(html.xpath("//*[contains(@class,'item')]"))【结果为】
[<Element p at 0x23f4a9d12c8>, <Element li at 0x23f4a9d13c8>, <Element li at 0x23f4a9d1408>, <Element li at 0x23f4a9d1448>, <Element li at 0x23f4a9d1488>] starts-with#
from lxml import etree if name == ‘main’: doc=’’’
first item
second item third item fourth item fifth item # 注意，此处缺少一个 闭合标签 ‘’’ html = etree.HTML(doc) print(html.xpath("//*[contains(@class,'item')]")) print(html.xpath("//*[starts-with(@class,'ul')]"))【结果为】
[<Element ul at 0x23384e51148>, <Element p at 0x23384e51248>, <Element li at 0x23384e51288>, <Element li at 0x23384e512c8>, <Element li at 0x23384e51308>, <Element li at 0x23384e51388>] [<Element ul at 0x23384e51148>] ends-with# print(html.xpath("//*[ends-with(@class,‘ul’)]")) 【结果为】
Traceback (most recent call last): File “F:/OneDrive/pprojects/shoes-show-spider/test/xp5_test.py”, line 18, in print(html.xpath("//*[ends-with(@class,‘ul’)]")) File “src\lxml\etree.pyx”, line 1582, in lxml.etree._Element.xpath File “src\lxml\xpath.pxi”, line 305, in lxml.etree.XPathElementEvaluator.call File “src\lxml\xpath.pxi”, line 225, in lxml.etree._XPathEvaluatorBase._handle_result lxml.etree.XPathEvalError: Unregistered function 看来python的lxml并不支持有的xpath函数列表
upper-case# 和ends-with函数一样，也不支持。同样报错lxml.etree.XPathEvalError: Unregistered function
print(html.xpath("//a[contains(upper-case(@class),‘ITEM-INACTIVE’)]")) text、last# #最后一个li被限定了 print(html.xpath("//li[last()]/a/text()"))
#会得到所有的<a>元素的内容，因为每个标签都是各自父元素的最后一个元素。 #本来每个li就只有一个子元素，所以都是最后一个 print(html.xpath("//li/a[last()]/text()"))
print(html.xpath("//li/a[contains(text(),‘third’)]")) 【结果为】
[‘fifth item’] [‘second item’, ‘third item’, ‘fourth item’, ‘fifth item’] [<Element a at 0x26ab7bd1308>] position# print(html.xpath("//li[position()=2]/a/text()")) #结果为[‘third item’] 上面这个例子我们之前以及讲解过了 *这里有个疑问，就是position()函数能不能像text()那样用呢
print(html.xpath("//li[last()]/a/position()")) #结果 lxml.etree.XPathEvalError: Unregistered function 这里我们得到一个结论，函数不是随意放在哪里都能得到自己想要的结果
node# 返回所有子节点，不管这个子节点是什么类型（熟悉，元素，内容）
print(html.xpath("//ul/li[@class=‘item-inactive’]/node()")) print(html.xpath("//ul/node()")) 【结果为】
[<Element a at 0x239a0d197c8>] [’\n ', <Element li at 0x239a0d19788>, '\n ', <Element li at 0x239a0d19888>, '\n ', <Element li at 0x239a0d19908>, '\n ', <Element li at 0x239a0d19948>, '\n ', <Element li at 0x239a0d198c8>, ’ 闭合标签\n '] 获取内容# **刚刚已经提到过，可以使用.text和text()的方式来获取元素的内容
from lxml import etree if name == ‘main’: doc=’’’
first item second item third item fourth item fifth item # 注意，此处缺少一个 闭合标签 ‘’’ html = etree.XML(doc) print(html.xpath("//a/text()")) print(html.xpath("//a")[0].text) print(html.xpath("//ul")[0].text) print(len(html.xpath("//ul")[0].text)) print(html.xpath("//ul/text()")) 【结果为】[‘first item’, ‘second item’, ‘third item’, ‘fourth item’, ‘fifth item’] first item
18 [’\n ', '\n ', '\n ', '\n ', '\n ', ’ 闭合标签\n '] 看到这里，我们观察到text()和.text的区别。自己总结吧。不太好表达，就不表达了
获取属性# print(html.xpath("//a/@href")) print(html.xpath("//li/@class")) 【结果为】
[‘link1.html’, ‘link2.html’, ‘link3.html’, ‘link4.html’, ‘link5.html’] [‘item-0 active’, ‘item-1’, ‘item-inactive’, ‘item-1’, ‘item-0’] 自定义函数# 我们从使用函数的过程中得到结论，就是有的函数不支持，有的支持，那问题来了，到底那些方法支持呢。我们在lxml官网找到了答案。https://lxml.de/xpathxslt.html。lxml 支持XPath 1.0 ，想使用其他扩展，使用libxml2，和libxslt的标准兼容的方式。XPath 1.0官方文档 以及其他版本的XPath文档 https://www.w3.org/TR/xpath/
lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way. 除此之外，lxml还提供了自定义函数的方式来扩展xpath的支持度 https://lxml.de/extensions.html
from lxml import etree
#定义函数 def ends_with(context,s1,s2): return s1[0].endswith(s2) if name == ‘main’: doc=’’’
first item second item third item fourth item fifth item # 注意，此处缺少一个 闭合标签 ‘’’ html = etree.XML(doc) ns = etree.FunctionNamespace(None) ns[‘ends-with’] = ends_with #将ends_with方法注册到方法命名空间中 print(html.xpath("//li[ends-with(@class,‘active’)]")) print(html.xpath("//li[ends-with(@class,‘active’)]/a/text()")) 【结果为】[<Element li at 0x2816ed30548>, <Element li at 0x2816ed30508>] [‘first item’, ‘third item’] 形参s1会传入xpath中的第一个参数@class，但这里注意@class是个列表 形参s2会传入xpath中的第二个参数’active’，'active’是个字符串 官网例子https://lxml.de/extensions.html
def hello(context, a): return “Hello %s” % a
from lxml import etree ns = etree.FunctionNamespace(None) ns[‘hello’] = hello root = etree.XML(‘Haegar’) print(root.xpath(“hello(‘Dr. Falken’)”))
