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 Expression | Result |
|---|---|
| bookstore | 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：
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>
'''
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 + 4 | 10 |
| - | 减法 | 6 - 4 | 2 |
| * | 乘法 | 6 * 4 | 24 |
| div | 除法 | 8 div 4 | 2 |
| = | 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 2 | 1 |
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://www.w3school.com.cn/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://www.w3school.com.cn/xpath/xpath_axes.asp。
)
