引言

XPath是一种用于选择XML文档中节点的语言，它可以通过路径表达式来定位节点。由于HTML文档的结构与XML文档类似，XPath也可以用于解析HTML文档。Python是一种非常流行的编程语言，它提供了许多库用于解析HTML文档。本文将介绍Python中使用XPath解析HTML文档的方法和技巧。

XPath语法

XPath表达式组成

XPath的路径表达式类似于文件系统中的路径，它用于描述节点在文档树中的位置。XPath表达式由以下几个部分组成：

• 标签名：标签名用于描述节点的类型，它可以是HTML标签名或XML标签名。例如，img表示图片节点，a表示链接节点。

• 轴：轴用于描述节点与当前节点的关系，它可以是父节点、子节点、兄弟节点等。

• 谓词：谓词用于描述节点的属性或位置。

XPath方法

在lxml库中，可以使用XPath方法来解析HTML文档。XPath方法有以下几种：

• etree.HTML()：将HTML字符串转化为一个Element对象。
• find()：返回第一个匹配的元素。
• findall()：返回所有匹配的元素。
• xpath()：返回所有匹配XPath表达式的元素。

=

Python中使用XPath解析HTML文档

Python中有许多库用于解析HTML文档，其中比较流行的有BeautifulSoup和lxml。这两个库都支持使用XPath解析HTML文档。在本文中，我们将使用lxml库来解析HTML文档。

安装lxml库

在使用lxml库之前，需要先安装它。可以使用pip命令来安装lxml库，命令如下：

pip install lxml

• 1

解析HTML文档

在使用lxml库解析HTML文档之前，需要先将HTML文档加载到内存中。可以使用requests库来加载HTML文档，代码如下：

import requests url = 'https://www.example.com' response = requests.get(url) html = response.content

• 1
• 2
• 3
• 4
• 5

接下来，我们将使用lxml库来解析HTML文档。代码如下：

from lxml import etree

• 1

将HTML文档转换为Element对象

element = etree.HTML(html)

• 1

使用XPath表达式来选择节点

nodes = element.xpath('//a[@class="link"]')

• 1

遍历节点并输出节点的文本

for node in nodes: print(node.text)

• 1
• 2

在上面的代码中，我们使用etree.HTML()方法将HTML文档转换为Element对象。然后使用XPath表达式来选择所有class属性为link的a标签节点。最后遍历所有节点并输出节点的文本。

XPath表达式示例

下面我们将介绍一些常用的XPath表达式及其对应的示例。

选择节点

选择所有节点：

//*

• 1

选择指定节点：

//a

• 1

选择指定节点和属性：

//a[@href]

• 1

选择指定节点和属性值：

//a[@href='https://www.example.com']

• 1

选择指定节点和多个属性值：

//a[@href='https://www.example.com' and @class='link']

• 1

选择指定节点和文本：

//a[text()='Link']

• 1

选择父节点：

../

• 1

选择指定父节点：

../div

• 1

3.3.3 选择子节点

选择子节点：

/*

• 1

选择指定子节点：

/div

• 1

选择兄弟节点：

/following-sibling::*

• 1

选择指定兄弟节点：

/following-sibling::div

• 1

选择前一个兄弟节点：

/preceding-sibling::div[1]

• 1

谓词

选择属性等于指定值的节点：

//*[@class='link']

• 1

选择属性不等于指定值的节点：

//*[@class!='link']

• 1

选择属性包含指定值的节点：

//*[contains(@class, 'link')]

• 1

选择属性以指定值开头的节点：

//*[starts-with(@href, 'https://')]

• 1

选择属性以指定值结尾的节点：

//*[ends-with(@href, '.html')]

• 1

选择指定位置的节点：

//*[position()=3]

• 1

选择指定范围内的节点：

//*[position()>2 and position()<6]

• 1

运算符

选择属性值为数字的节点：

//*[starts-with(@id, 'item') and @id > 10]

• 1

选择属性值为数字的节点并按照属性值排序：

//*[starts-with(@id, 'item') and number(@id) > 10]/@id | //*[starts-with(@id, 'item') and number(@id) > 10]/@class

• 1

示例代码如下：

from lxml import etree # 构造html html_string = '''

Welcome to my website

This is a test page to demonstrate the use of contains in XPath.

• Link 1
• Link 2
• Link 3

''' # 解析html doc = etree.HTML(html_string) # 使用contains函数查找包含“test”的段落元素 p_elements = doc.xpath('//p[contains(text(), "test")]') # 打印结果 for p in p_elements: print(p.text)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31

输出结果为：

This is a test page to demonstrate the use of contains in XPath.

• 1

除了使用contains函数，我们还可以使用其他的xpath语法来解析html。以下是一些示例代码：

1. 查找所有链接元素

# 使用xpath表达式选择所有名称为“a”的元素 link_elements = doc.xpath('//a') # 打印结果 for link in link_elements: print(link.text, link.get('href'))

• 1
• 2
• 3
• 4
• 5
• 6

输出：

Link 1 #
Link 2 #
Link 3 #

2. 查找所有列表项元素

# 使用xpath表达式选择所有名称为“li”下的a节点的元素 li_elements = doc.xpath('//li') # 打印结果 for li in li_elements: print(etree.tostring(li)) #'输出节点' print(li.xpath('./a/text()')) #'输出a节点文本'

• 1
• 2
• 3
• 4
• 5
• 6
• 7

输出：

3. 查找所有带有id属性的元素

# 使用xpath表达式选择所有带有id属性的元素 id_elements = doc.xpath('//*[@id]') # 打印结果 for element in id_elements: print(element.tag, element.get('id'))

• 1
• 2
• 3
• 4
• 5
• 6

输出：

div content

4. 查找特定id的元素

# 使用xpath表达式选择id为“content”的元素 content_element = doc.xpath('//*[@id="content"]')[0] # 打印结果 print(content_element.tag, content_element.text)

• 1
• 2
• 3
• 4
• 5

输出：

div

---

总结

本文介绍了Python中使用XPath解析HTML文档的方法和技巧。XPath是一种强大的语言，它可以通过路径表达式来定位节点，同时还支持多种谓词和运算符。在Python中，lxml库是一种常用的解析HTML文档的库，它支持使用XPath表达式来选择节点。通过本文的介绍，相信读者已经掌握了使用XPath解析HTML文档的基本方法和技巧，可以应用于实际开发中。