python爬虫入门（五）XPath使用

电脑硬件
2025-08-15 23:36:03

对于网页的节点来说，它可以定义 id、class 或其他属性。而且节点之间还有层次关系，在网页中可以通过 XPath 或 CSS 选择器来定位一个或多个节点。在页面解析时，利用 XPath 或 CSS 选择器来提取某个节点，然后再调用相应方法获取它的正文内容或者属性，就可以提取我们想要的任意信息。

这种解析库已经非常多，其中比较强大的库有 lxml、Beautiful Soup、pyquery 等，通过使用解析库，可以免去编写正则表达式的麻烦，解析效率也能有所提高。

XPath的使用

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。所以在做爬虫时，我们完全可以使用 XPath 来做相应的信息抽取。XPath 的选择功能十分强大，它提供了非常简洁明了的路径选择表达式。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 常用规则表　达　式描　　述nodename选取所有name为nodename的结点/从根节点开始选取//从当前节点开始选取html中所有匹配选取要求的结点.选取当前节点…选取当前节点的父节点@选取属性 Path ExpressionResultbookstore选择所有名称为 “bookstore” 的节点/bookstore选择根元素 bookstore注意：如果路径以斜杠（/）开头，则始终表示对元素的绝对路径！bookstore/book选择 bookstore 的所有子元素中的 book 元素//book选择文档中的所有 book 元素，无论它们在哪里bookstore//book选择 bookstore 元素下的所有后代 book 元素，无论它们在 bookstore 元素下的哪个位置//@lang选择所有名为 lang 的属性实例

假设html代码如下（下面为python代码），开始前请安装lxml包：

对这段html进行解析：

from lxml import etree html = etree.HTML(text) result = etree.tostring(html) print(result.decode('utf-8'))

这里首先导入 lxml 库的 etree 模块，然后声明了一段 HTML 文本，调用 HTML 类进行初始化，这样就成功构造了一个 XPath 解析对象。这里需要注意的是，HTML 文本中的最后一个 li 节点是没有闭合的，但是 etree 模块可以自动修正 HTML 文本。

这里我们调用 tostring 方法即可输出修正后的 HTML 代码，但是结果是 bytes 类型。这里利用 decode 方法将其转成 str 类型。

<html><body><div> <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> </div> </body></html>

经过处理之后，li 节点标签被补全，并且还自动添加了 body、html 节点。

也可以直接读取文本文件进行解析：

html = etree.parse('./test.html', etree.HTMLParser())

输出结果会多一个 DOCTYPE 的声明。

选取所有节点

一般会用 // 开头的 XPath 规则来选取所有符合要求的节点。以前面的 HTML 文本为例，如果要选取所有节点，可以这样实现：

result = html.xpath('//*')

运行结果：

[<Element html at 0x10510d9c8>, <Element body at 0x10510da08>, <Element div at 0x10510da48>, <Element ul at 0x10510da88>, <Element li at 0x10510dac8>, <Element a at 0x10510db48>, <Element li at 0x10510db88>, <Element a at 0x10510dbc8>, <Element li at 0x10510dc08>, <Element a at 0x10510db08>, <Element li at 0x10510dc48>, <Element a at 0x10510dc88>, <Element li at 0x10510dcc8>, <Element a at 0x10510dd08>]

这里使用 * 代表匹配所有节点，也就是整个 HTML 文本中的所有节点都会被获取。可以看到，返回形式是一个列表，每个元素是 Element 类型，其后跟了节点的名称，如 html、body、div、ul、li、a 等，所有节点都包含在列表中了。

如果想获取所有 li 节点：

result = html.xpath('//li')

提取结果是一个列表形式，其中每个元素都是一个 Element 对象。如果要取出其中一个对象，可以直接用中括号加索引，如 [0]。

选取子节点

通过 / 或 // 即可查找元素的子节点或子孙节点。假如现在想选择 li 节点的所有直接 a 子节点：

result = html.xpath('//li/a')

通过追加 /a 即选择了所有 li 节点的所有直接 a 子节点。因为 //li 用于选中所有 li 节点，/a 用于选中 li 节点的所有直接子节点 a，二者组合在一起即获取所有 li 节点的所有直接 a 子节点。

此处的 / 用于选取直接子节点，如果要获取所有子孙节点，就可以使用 //：

result = html.xpath('//ul//a')

本例中运行结果相同。但是如果这里用 //ul/a，就无法获取任何结果了。而//ul//a依然可以输出和前面相同的结果。

我们要注意 / 和 // 的区别，其中 / 用于获取直接子节点，// 可以获取子孙节点。如果了解linux的话，即/为当前文件夹下查找，而//能够在当前文件夹下递归查找。

选取父节点

用… 来实现查找父节点。首先选中 href 属性为 link4.html 的 a 节点，然后再获取其父节点，然后再获取其 class 属性：

result = html.xpath('//a[@href="link4.html"]/../@class')

也可以通过 parent:: 来获取父节点

result = html.xpath('//a[@href="link4.html"]/parent::*/@class')

/parent::*：选择被筛选元素的父元素（任意标签）。

属性匹配

在选取的时候，我们还可以用 @符号进行属性过滤。如果要选取 class 为 item-0 的 li 节点：

result = html.xpath('//li[@class="item-0"]')

通过加入 [@class=“item-0”]，限制了节点的 class 属性为 item-0，而 HTML 文本中符合条件的 li 节点有两个，所以结果应该返回两个匹配到的元素。

文本获取

用 XPath 中的 text 方法获取节点中的文本，接下来尝试获取前面 li 节点中的文本。

result = html.xpath('//li[@class="item-0"]/text()')

运行结果：

['\n ']

奇怪的是，我们并没有获取到任何文本，只获取到了一个换行符。因为 XPath 中 text 方法前面是 /，而此处 / 的含义是选取直接子节点，很明显 li 的直接子节点都是 a 节点，文本都是在 a 节点内部的，所以这里匹配到的结果就是被修正的 li 节点内部的换行符，因为自动修正的 li 节点的尾标签换行了。

即选中的是这两个节点：

<li class="item-0"><a href="link1.html">first item</a></li> <li class="item-0"><a href="link5.html">fifth item</a> </li>

其中一个节点因为自动修正，li 节点的尾标签添加的时候换行了，所以提取文本得到的唯一结果就是 li 节点的尾标签和 a 节点的尾标签之间的换行符。

如果想获取 li 节点内部的文本，就有两种方式，一种是先选取 a 节点再获取文本，另一种就是使用 //。

选取到 a 节点再获取文本，代码如下：

result = html.xpath('//li[@class="item-0"]/a/text()')

结果如下：

['first item', 'fifth item']

先选取了 li 节点，又利用 / 选取了其直接子节点 a，然后再选取其文本。

用另一种方式（即使用 //）选取的结果:

result = html.xpath('//li[@class="item-0"]//text()')

结果如下：

['first item', 'fifth item', '\n ']

这里是选取所有子孙节点的文本，其中前两个就是 li 的子节点 a 节点内部的文本，另外一个就是最后一个 li 节点内部的文本，即换行符。

如果要想获取子孙节点内部的所有文本，可以直接用 // 加 text 方法的方式，这样可以保证获取到最全面的文本信息，但是可能会夹杂一些换行符等特殊字符。如果想获取某些特定子孙节点下的所有文本，可以先选取到特定的子孙节点，然后再调用 text 方法方法获取其内部文本，这样可以保证获取的结果是整洁的。

属性获取

**用 @符号获取节点内部属性。**例如，我们想获取所有 li 节点下所有 a 节点的 href 属性。

result = html.xpath('//li/a/@href')

这里我们通过 @href 即可获取节点的 href 属性。注意，此处和属性匹配的方法不同，属性匹配是中括号加属性名和值来限定某个属性，如 [@href=“link1.html”]，而此处的 @href 指的是获取节点的某个属性，二者需要做好区分。

属性多值匹配

某些节点的某个属性可能有多个值，例如：

text = ''' <li class="li li-first"><a href="link.html">first item</a></li> '''

这里 HTML 文本中 li 节点的 class 属性有两个值 li 和 li-first，如果还想用之前的属性匹配获取：

result = html.xpath('//li[@class="li"]/a/text()')

运行结果为空。需要用 contains 方法了：

result = html.xpath('//li[contains(@class, "li")]/a/text()')

通过 contains 方法，第一个参数传入属性名称，第二个参数传入属性值，只要此属性包含所传入的属性值，就可以完成匹配了。

多属性匹配

根据多个属性确定一个节点，这时就需要同时匹配多个属性。此时可以使用运算符 and 来连接。

例如：

text = ''' <li class="li li-first" name="item"><a href="link.html">first item</a></li> '''

要确定这个节点，需要同时根据 class 和 name 属性来选择，一个条件是 class 属性里面包含 li 字符串，另一个条件是 name 属性为 item 字符串，二者需要同时满足，需要用 and 操作符相连，相连之后置于中括号内进行条件筛选。

result = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')

这里的 and 其实是 XPath 中的运算符。另外，还有很多运算符，如 or、mod 等。

运算符描述实例返回值计算两个节点集//book+加法6 + 410-减法6 - 42*乘法6 * 424div除法8 div 42=等于price=9.80如果 price 是 9.80，则返回 true。如果 price 是 9.90，则返回 false。!=不等于price!=9.80如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。<小于price<9.80如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。<=小于或等于price<=9.80如果 price 是 9.00，则返回 true。如果 price 是 9.90，则返回 false。>大于price>9.80如果 price 是 9.90，则返回 true。如果 price 是 9.80，则返回 false。>=大于或等于price>=9.80如果 price 是 9.90，则返回 true。如果 price 是 9.70，则返回 false。or或price=9.80 or price=9.70如果 price 是 9.80，则返回 true。如果 price 是 9.50，则返回 false。and与price>9.00 and price<9.90如果 price 是 9.80，则返回 true。如果 price 是 8.50，则返回 false。mod计算除法的余数5 mod 21 按序选择

在选择的时候某些属性可能同时匹配了多个节点，但是只想要其中的某个节点，如第二个节点或者最后一个节点，可以利用中括号传入索引的方法获取特定次序的节点。

例如：

text = ''' <div> <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> </ul> </div> ''' html = etree.HTML(text) result = html.xpath('//li[1]/a/text()') print(result) result = html.xpath('//li[last()]/a/text()') print(result) result = html.xpath('//li[position()<3]/a/text()') print(result) result = html.xpath('//li[last()-2]/a/text()') print(result)

第一次选择时，我们选取了第一个 li 节点，中括号中传入数字 1 即可。注意，这里和代码中不同，序号是以 1 开头的，不是以 0 开头。

第二次选择时，我们选取了最后一个 li 节点，中括号中调用 last 方法即可，返回的便是最后一个 li 节点。

第三次选择时，我们选取了位置小于 3 的 li 节点，也就是位置序号为 1 和 2 的节点，得到的结果就是前两个 li 节点。

第四次选择时，我们选取了倒数第三个 li 节点，中括号中调用 last 方法再减去 2 即可。因为 last 方法代表最后一个，在此基础减 2 就是倒数第三个。

运行结果如下：

['first item'] ['fifth item'] ['first item', 'second item'] ['third item']

这里我们使用了 last、position 等方法。在 XPath 中，提供了 100 多个方法，包括存取、数值、字符串、逻辑、节点、序列等处理功能，它们的具体作用可以参考：http:// .w3school /xpath/xpath_functions.asp。

节点轴选择

XPath 提供了很多节点轴选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等。

text = ''' <div> <ul> <li class="item-0"><a href="link1.html"><span>first item</span></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> </ul> </div> ''' html = etree.HTML(text) result = html.xpath('//li[1]/ancestor::*') print(result) result = html.xpath('//li[1]/ancestor::div') print(result) result = html.xpath('//li[1]/attribute::*') print(result) result = html.xpath('//li[1]/child::a[@href="link1.html"]') print(result) result = html.xpath('//li[1]/descendant::span') print(result) result = html.xpath('//li[1]/following::*[2]') print(result) result = html.xpath('//li[1]/following-sibling::*') print(result)

第一次选择时，我们调用了 ancestor 轴，可以获取所有祖先节点。其后需要跟两个冒号，然后是节点的选择器，这里我们直接使用 *，表示匹配所有节点，因此返回结果是第一个 li 节点的所有祖先节点，包括 html、body、div 和 ul。

第二次选择时，我们又加了限定条件，这次在冒号后面加了 div，这样得到的结果就只有 div 这个祖先节点了。

第三次选择时，我们调用了 attribute 轴，可以获取所有属性值，其后跟的选择器还是 *，这代表获取节点的所有属性，返回值就是 li 节点的所有属性值。

第四次选择时，我们调用了 child 轴，可以获取所有直接子节点。这里我们又加了限定条件，选取 href 属性为 link1.html 的 a 节点。

第五次选择时，我们调用了 descendant 轴，可以获取所有子孙节点。这里我们又加了限定条件获取 span 节点，所以返回的结果只包含 span 节点而不包含 a 节点。

第六次选择时，我们调用了 following 轴，可以获取当前节点以及其内部的所有节点。这里我们虽然使用的是 * 匹配，但又加了索引选择，所以只获取了第二个后续节点。

第七次选择时，我们调用了 following-sibling 轴，可以获取当前节点之后的所有同级节点。这里我们使用 * 匹配，所以获取了所有后续同级节点。

以上是 XPath 轴的简单用法，更多轴的用法可以参考：http:// .w3school /xpath/xpath_axes.asp。

标签：

python爬虫入门（五）XPath使用由讯客互联电脑硬件栏目发布，感谢您对讯客互联的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人网站或者朋友圈，但转载请说明文章出处“python爬虫入门（五）XPath使用”

上一篇
java获取前一天日期

下一篇
hadoop伪分布式安装部署