創(chuàng)新互聯(lián)www.cdcxhl.cn八線動態(tài)BGP香港云服務(wù)器提供商，新人活動買多久送多久，劃算不套路！

10余年的興安盟網(wǎng)站建設(shè)經(jīng)驗，針對設(shè)計、前端、開發(fā)、售后、文案、推廣等六對一服務(wù)，響應(yīng)快，48小時及時工作處理。網(wǎng)絡(luò)營銷推廣的優(yōu)勢是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動調(diào)整興安盟建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計，從而大程度地提升瀏覽體驗。創(chuàng)新互聯(lián)公司從事“興安盟網(wǎng)站設(shè)計”,“興安盟網(wǎng)站推廣”以來，每個客戶項目都認(rèn)真落實執(zhí)行。

這篇文章將為大家詳細(xì)講解有關(guān)爬蟲網(wǎng)頁內(nèi)容提取神器之xpath是什么，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

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：

表達(dá)式	說明
nodename	選取當(dāng)前節(jié)點的名為nodename的所有子節(jié)點。
/	從根節(jié)點選取，在路徑中間時表示一級路徑
//	從當(dāng)前節(jié)點開始選擇文檔中的節(jié)點，可以是多級路徑
.	從當(dāng)前節(jié)點開始選取
..	從父節(jié)點開始選取
@	按屬性選取

接下來通過具體的示例來加深對路徑表達(dá)的理解：

路徑表達(dá)式	解釋
/html/body/ul/li	從根節(jié)點開始依照路徑選取li元素。返回多個。
//ul/li[1]	還是選取li元素，但是路徑多級跳躍到ul/li。[1]表示只取第一個li。
//li[last()]	還是選取li，但路徑更跳躍。[last()]表示取最后一個li元素。
//li[@class]	選取根節(jié)點的名為li且有class屬性的所有后代。
//li[@class=”item”]	選擇根節(jié)點的名為li且class屬性為item的所有后代。
//body/*/li	選取body的名為li的孫子節(jié)點。*是通配符，表示任何節(jié)點。
//li[@*]	選取所有帶屬性的li元素。
//body/div | //body/ul	選取body的所有div和ul元素。
body/div	相對路徑，選取當(dāng)前節(jié)點的body元素的子元素div。絕對路徑以 / 開始。

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：

    ...

doc.xpath('//div[contains(@class, "post-item")]')

In [232]: doc.xpath('//ul[ends-with(@id, "u")]')
---------------------------------------------------------------------------
XPathEvalError                            Traceback (most recent call last)
 in ()
----> 1 doc.xpath('//ul[ends-with(@id, "u")]')

src/lxml/etree.pyx in lxml.etree._Element.xpath()

src/lxml/xpath.pxi in lxml.etree.XPathElementEvaluator.__call__()

src/lxml/xpath.pxi in lxml.etree._XPathEvaluatorBase._handle_result()

XPathEvalError: Unregistered function

lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way.