网络爬虫基础-Xpath语法(一)

前言

这一章节主要讲解Xpath的基础语法，学习如何通过Xpath获取网页中我们想要的内容;为我们的后面学习Java网络爬虫基础准备工作。

备注:此章节为基础核心章节，未来会在网络爬虫的数据解析环节经常使用，学会Xpath解析语法，可为未来爬虫解析省去很多麻烦。

Xpath简介

       XPath即为XML路径语言，它是一种用来确定XML（标准通用标记语言的子集）文档中某部分位置的语言。XPath基于XML的树状结构，有不同类型的节点，包括元素节点，属性节点和文本节点，提供在数据结构树中找寻节点的能力。起初 XPath 的提出的初衷是将其作为一个通用的、介于XPointer与XSLT间的语法模型。但是 XPath 很快的被开发者采用来当作小型查询语言。

  简单来说我们通过Xpath可以获取XML中的指定元素和指定节点的值。在网络爬虫中我们通过会把爬虫获取的HTML数据转换成XML结构，然后通过XPath解析，获取我们想要的结果。

 

接下来为大家分享以下xpath的表达式以及用法。

一．选取节点

Xpath使用路径表达式在XML文档中选取节点。节点是通过沿着路径来选取的，通过路径可以找到我们想要的节点或者节点范围。

表达式	描述	用法	说明
nodename	选取此节点的所有子节点。	xpath(‘span’)	选取span元素的所有子节点
/	从根节点选取	xpath(‘/div’)	从根节点上选取div节点
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。	xpath(‘//div’)	从当前节点选取含有div节点的标签
.	选取当前节点	xpath(‘./div’)	选取当前节点下的div标签
..	选取当前节点的父节点	xpath(‘../’)	回到上一级节点
@	选取属性	xpath(“//div[@id=’1001’]”)	获取div标签中，含有ID属性且值为1001的标签

 

二.谓语（Predicates）

谓语用来查找某个特定的节点或者包含某个指定的值的节点。

谓语被嵌在方括号中。

表达式描述

用法说明

/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

 

三. 通配符

XPath 通配符可用来选取未知的 XML 元素,通配指定节点。

 

表达式	描述	用法	说明
*	匹配任何元素节点	xpath（/div/*）	选取div下的所有子节点
@*	匹配任何属性节点	xpath(/div[@*])	选取所有带属性的div节点
node()	匹配任何类型的节点	xpath(//div[@class=’tb_cls’]).node()	选择标签为div且类属性为tb_cls的所有标签

 

 

四．多路径选择

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

用法	说明
xpath（//book/title |//book/price）	选取 book 元素的所有 title 和 price 元素。
xpath（//title| //price）	选取文档中的所有 title 和 price 元素

 

五．XPath 轴

轴可定义相对于当前节点的节点集。

表达式	描述	用法	说明
ancestor	选取当前节点的所有先辈（父、祖父等）	xpath(//div[@id=’123’]/ancestor::*)	选择标签为div且ID号为123的所有先辈标签
ancestor-or-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身	xpath(//div[@id=’123’]/ancestor-or-self::*)	选择标签为div且ID号为123的所有先辈标签且包含自己
attribute	选取当前节点的所有属性	xpath(//div[@id=’123’]/attribute::class)	选择标签为div且ID号为123的类属性名称
child	选取当前节点的所有子元素	xpath(//div[@id=’123’]/child::book)	选择标签为div且ID号为123的所有子元素的为book 节点
descendant	选取当前节点的所有后代元素（子、孙等）	xpath(./descendant::*)	返回当前节点的所有后代节点（子节点、孙节点）
following	选取文档中当前节点结束标签后的所有节点	xpath(./following::*)	选取文档中当前节点结束标签后的所有节点
parent	选取当前节点的父节点	xpath(./parent::*)	选取当前节点的父节点
preceding	选取文档中当前节点的开始标签之前的所有节点	xpath(//div[@id=’123’]/preceding::*)	选择标签为div且ID号为123的开始标签之前的所有节点
preceding-sibling	选取当前节点之前的所有同级节点	xpath(//div[@id=’123’]/preceding-sibling::*)	选择标签为div且ID号为123的之前的所有同级节点
self	选取当前节点	xpath(./self::*)	选取当前节点

 

 

六．XPath 运算符

表达式	描述	用法	说明
+	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

 

七．常用的功能函数

使用功能函数能够更好的进行模糊搜索

表达式	描述	用法	说明
starts-with	选取id值以ma开头的div节点	xpath(‘//div[starts-with(@id,”ma”)]‘)	选取id值以ma开头的div节点
contains	选取id值包含ma的div节点	xpath(‘//div[contains(@id,”ma”)]‘)	选取id值包含ma的div节点
and	选取id值包含ma和in的div节点	xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘)	选取id值包含ma和in的div节点
text()	选取节点文本包含ma的div节点	xpath(‘//div[contains(text(),”ma”)]‘)	选取节点文本包含ma的div节点

总结

  本文章向您介绍了为什么要学习Xpath、Xpath简介以及Xpath的基础语法；接下来您可以尝试通过编写代码来熟悉使用xpath表达式；同时我将会在下一章节(公众号:DT数据技术博文)为大家介绍，如何通过Xpath表达式来解析我们的爬虫数据。

 

 

(ID:DT数据技术博文)