上一節(jié)，我們詳述了lxml.html的各種操作，接下來我們熟練掌握一下XPath，就可以熟練的提取網(wǎng)頁內(nèi)容了。

XPath 是什么？

XPath的全稱是 XML Path Language，即XML 路徑語言，是一種在XML（HTML）文檔中查找信息的語言。它有4點特性：

• XPath 使用路徑表達(dá)式在 XML 文檔中進(jìn)行導(dǎo)航
• XPath 包含一個標(biāo)準(zhǔn)函數(shù)庫
• XPath 是 XSLT 中的主要元素
• XPath 是一個 W3C 標(biāo)準(zhǔn)

我們從網(wǎng)頁中提取數(shù)據(jù)，主要應(yīng)用前兩點。

XPath 路徑表達(dá)式

使用XPath我們可以很容易定位到網(wǎng)頁中的節(jié)點，也就是找到我們關(guān)心的數(shù)據(jù)。這些路徑跟電腦目錄、網(wǎng)址的路徑很相似，通過 / 來表示路徑的深度。

XPath 標(biāo)注函數(shù)庫

頭內(nèi)建了100多個函數(shù)，當(dāng)然我們提取數(shù)據(jù)用到的有限，也就不用記住全部100多個函數(shù)了。

Xpath 的節(jié)點（Node）

XPath中的核心就是節(jié)點（Node），定義了7種不同類型的節(jié)點： 元素（Element）、屬性（Attribute）、文本（Text）、命名空間（Namespace）、處理指令（processing-instruction）、注釋（Comment）和文檔節(jié)點（Document nodes）
這些節(jié)點組成一棵節(jié)點樹，樹的根節(jié)點被稱為文檔節(jié)點。
其中注釋就是html里面的注釋：``
而命名空間、處理指令和網(wǎng)頁數(shù)據(jù)提取基本沒關(guān)系，這里就不再詳述。

下面我們以一個簡單的html文檔為例，來解釋不同的節(jié)點及其關(guān)系。

      
ABC
              
home
         
python
       

這段html中的節(jié)點有：

• 文檔節(jié)點： 
• 元素節(jié)點：
• python
• 屬性節(jié)點：  id="menu"

XPath 節(jié)點的關(guān)系

節(jié)點間的關(guān)系完全照搬人類傳宗接代的輩分關(guān)系，但只是直系關(guān)系，沒有叔叔、大伯之類的旁系關(guān)系。
還是以上面的html文檔為例來說明節(jié)點關(guān)系：

父（Parent）

每個元素節(jié)點（Element）及其屬性都有一個父節(jié)點。
比如，body的父是html，而body是div、ul 的父親。

子（Children）

每個元素節(jié)點可以有零個、一個或多個子。
比如，body有兩個子：div，ul，而ul也有兩個子：兩個li。

同輩（Sibling）

同輩有相同的父輩節(jié)點。
比如，div和ul是同輩。

先輩（Ancestor）

某節(jié)點的父輩及其以上輩分的節(jié)點。
比如，li的父輩有：ul、div、body、html

后代（Descendant）

某節(jié)點的子及其子孫節(jié)點。
比如，body的后代有：div、ul、li。

XPath節(jié)點的選取

選取節(jié)點，也就是通過路徑表達(dá)來實現(xiàn)。這是我們在網(wǎng)頁提取數(shù)據(jù)時的關(guān)鍵， 要熟練掌握 。

下表是比較有用的路徑表達(dá)式：

接下來通過具體的示例來加深對路徑表達(dá)的理解：

XPath函數(shù)

Xpath的函數(shù)很多，涉及到錯誤、數(shù)值、字符串、時間等等，然而我們從網(wǎng)頁中提取數(shù)據(jù)的時候只會用到很少的一部分。其中最重要的就是字符串相關(guān)的函數(shù)，比如contains()函數(shù)。

contains(a, b)

如果字符串a(chǎn)包含字符串b，則返回true，否則返回false。
比如： contains(‘猿人學(xué)Python’, ‘Python’)，返回true
那么它用在什么時候呢？我們知道，一個html標(biāo)簽的class是可以有多個屬性值的，比如：

     ...