究竟什么是 xpath 呢？简单来说，xpath 就是一种在 XML 文档中查找信息的语言
而 XML 文档就是由一系列节点构成的树，例如，下面是一份简单的 XML 文档：
<html>
<body>
<div>
<p>Hello world<p>
<a href="/home">Click here</a>
</div>
</body>
</html>
XML 文档中常见的节点包括：
XML 文档中常见的节点间关系包括：
对于网页解析来说，xpath 比 re 更加方便简洁，故 Python 中也提供相应的模块 —— lxml.etree
我们可以使用 pip install lxml 命令进行安装
在正式开始讲解 xpath 的使用方法之前，我们先来构造一个简单的 XML 文档用于测试
在一般的爬虫程序中，XML 文档就是爬取回来的网页源代码
>>> sc = '''
<html>
<head>
<meta charset="UTF-8"/>
<link rel="stylesheet" href="style/base.css"/>
<title>Example website</title>
</head>
<body>
<div >
<a href="image1.html">Image1<img src="image1.jpg"/></a>
<a href="image2.html">Image2<img src="image2.jpg"/></a>
<a href="image3.html">Image3<img src="image3.jpg"/></a>
</div>
</body>
</html>
'''
>>> from lxml import etree
>>> html = etree.HTML(sc) # 构造 lxml.etree._Element 对象
>>> # lxml.etree._Element 对象还具有代码补全功能
>>> # 假如我们得到的 XML 文档不是规范的文档，该对象将会自动补全缺失的闭合标签
>>> # 我们可以使用 tostring() 方法将对象转化成 bytes 类型的字符串
>>> # 再使用 decode('utf-8') 方法将 bytes 类型的字符串转化为 str 类型的字符串
>>> print(etree.tostring(html).decode('utf-8'))
我们可以使用 xpath() 方法进行匹配
xpath 方法接受一个满足 xpath 匹配语法的字符串作为参数
下面主要介绍一下 xpath 匹配语法：
/ 表示子代节点，例如 /E 表示匹配根节点下的子节点中的 E 元素节点
>>> test = html.xpath('/html/head/title')
// 表示后代节点，例如 //E 表示匹配根节点下的后代节点中的 E 元素节点
>>> test = html.xpath('//a')
* 表示所有节点，例如 E/* 表示匹配 E 元素节点下的子节点中的所有节点
>>> test = html.xpath('/html/*')
text() 表示文本节点，例如 E/text() 表示匹配 E 元素节点下的子节点中的文本节点
>>> test = html.xpath('/html/head/title/text()')
@ATTR 表示属性节点，例如 E/@ATTR 表示匹配 E 元素节点下的子节点中的 ATTR 属性节点
>>> test = html.xpath('//a/@href')
谓语 用于匹配指定的标签
指定第二个 <a> 标签
>>> test = html.xpath('//a[2]')
指定前两个 <a> 标签
>>> test = html.xpath('//a[position()<=2]')
指定带有 href 属性的 <a> 标签
>>> test = html.xpath('//a[@href]')
指定带有 href 属性且值为 image1.html 的 <a> 标签
>>> test = html.xpath('//a[@href="image1.html"]')
指定带有 href 属性且值包含 image 的 <a> 标签
>>> test = html.xpath('//a[contains(@href,"image")]')
xpath 方法返回字符串或者匹配列表，匹配列表中的每一项都是 lxml.etree._Element 对象
下面主要介绍一下 _Element 对象的常用属性与方法：
我们先用 xpath 方法得到匹配列表 tests 作为测试样例，tests 中的每一项都是一个 _Element 对象
>>> test = html.xpath('//a[@href="image1.html"]')
>>> obj = test[0]
tag 返回标签名>>> obj.tag
'a'
attrib 返回属性与值组成的字典>>> obj.attrib
{'href': 'image1.html'}
get() 返回指定属性的值>>> obj.get('href')
'image1.html'
text 返回文本值>>> obj.text
'Image1'
【参考资料】
【爬虫系列相关文章】
本文链接：http://task.lmcjl.com/news/6784.html