Xpath简介

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。
XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。它最主要的目的是为了在XML1.0或XML1.1文档节点树中定位节点所设计，它的返回值可能是节点，节点集合，原子值，以及节点和原子值的混合等。目前有XPath1.0和XPath2.0两个版本。其中Xpath1.0是1999年成为W3C标准，而XPath2.0标准的确立是在2007年。W3C关于XPath的英文详细文档请见：http://www.w3.org/TR/xpath20/ 。

chrome爬虫网页解析工具XPath helper

XPath Helper是一款Chrome浏览器的开发者插件，它支持在网页点击元素生成xpath，整个抓取使用了xpath、正则表达式、消息中间件、多线程调度框架（参考）。xpath支持列表和单节点数据获取，安装了XPath Helper后就能轻松获取HTML元素的XPath，程序员就再也不需要通过搜索html源代码，定位一些id去找到对应的位置去解析网页了。
由于现在Chrome的扩展程序已经被墙，这里给一个下载插件安装的教程链接：XPath Helper：chrome爬虫网页解析工具 Chrome插件。

python爬虫常用的xpath语法

在学习本小节的XPath语法之前，你应该对XML的节点、元素、属性、原子值（文本）、处理指令、注释、根节点（文档节点）、命名空间以及节点间的关系如：父（Parent）、子（Children）、兄弟（Sibling）、先辈（Ancestor）、后代（Descendant）等概念有所了解。这里提供一个W3school的Xpath术语链接。

有道翻译xml.png

我们用有道翻译网页的xml来讲解接下来的语法。

• 表达式/html/body/div：表示选择html节点下的body节点下的所有子div集合
• 表达式./div：表示当前节点下的所有子div集合
• 表达式../div：表示当前节点的父节点下的所有子div集合
• 表达式 //：表示从任意节点下开始选择，例如：
  表达式 //div：表示选择所有节点下的所有div集合
  表达式/html/body//div：表示选择html节点下的body节点下的所有div集合，不仅仅包括子div集合
• 表达式 /html/body/div[@class= "fanyi"]：表示选择html节点下的body节点下的class= “fanyi”的div。当一个节点下有多个同名的子节点时，该方法可以精准定位到特定的节点
• 表达式 /html/body/div[1]：表示选择body节点下的第一个div元素
• 表达式 /html/body/div[last()]：表示选择body节点下的最后一个div元素
• 表达式 /html/body/div[last()-1]：表示选择body节点下的倒数第二个div元素
• 表达式 /html/body/div[position()<3]：表示选择body节点下的最前面的两个div元素
• 表达式 //div[@class= "input__target__bar"]/a/@href：表示选择class= “fanyi”的div下的a的href值
• 表达式 /a/text()：表示获取a下的文本
• 表达式 /a//text()：表示获取a下的所有文本，适用于a存在子节点，且子节点的文本我们也需要获取
  以上这些方法，是我在写爬虫程序提取数据时最常用的用法，可以毫不夸张地说，掌握了上述的xpath方法，爬虫提取数据时，可以解决80%的问题。