作者:咸甜怪 链接:https://www.jianshu.com/p/99f303416f7e 来源:简书 简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。
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。
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。