Python爬虫_第一篇 爬虫之路（4）_XPath定位

4、XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。

4.1 Xpath中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档节点（或称为根节点）。

<?xml version="1.0" encoding="ISO-8859-1"?>

<bookstore>

<book>
  <title lang="en">Harry Potter</title>
  <author>J K. Rowling</author> 
  <year>2005</year>
  <price>29.99</price>
</book>

<book>
  <title lang="eng">Learning XML</title>
  <price>39.95</price>
</book>

</bookstore>

上面XML文档中的节点例子

<bookstore> （文档节点）
<author>J K. Rowling</author> （元素节点）
lang="en" （属性节点） 

节点Node：XML文档是被作为节点树来对待的。树的根被称为文档节点或者根节点

• 基本值 atomic value：基本值是无父或无子的节点
• 项目 Item：基本值或者节点

节点关系

• 父 parent：每个元素以及属性都有一个父【book元素是title、author、year以及price元素的父】
• 子 children：元素节点可有0个、一个或多个【title、author、year以及price元素是book元素的子】
• 同胞 sibliing：拥有相同的父的节点【title、author、year以及price元素都是同胞】
• 先辈Ancestor：某节点的父、父的父，等等【title元素的先辈是book元素和bookstore元素】
• 后代Descendent：某个节点的子，子的子等等【bookstore的后代是book、title、author、year以及price元素】

4.2 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或者step来选取的

# 选取 bookstore 元素的所有子节点
bookstore

# 选取根元素bookstore  注释：假如路径起始于正斜杠/，则此路径始终代表到某元素的绝对路径！
/ bookstore

# 选取属于bookstore的子元素的所有book元素
bookstore/book

# 选取所有book子元素，而不管它们在文档中的位置
//book

# 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
bookstore//book

# 选取名为 lang 的所有属性。
// @lang

4.3 谓语（Predicates）:用来查找某个特定的节点或包含某个指定的值的节点。谓语被嵌在方括号中。

# 选取属于 bookstore 子元素的第一个book元素
/bookstore/book[1]

# 选取属于 bookstore 子元素的最后一个book元素
/bookstore/book[last()]

# 选取属于 bookstore 子元素的倒数第二个book元素
/bookstore/book[last()-1]

# 选取最前面的两个属于 bookstore 子元素的book元素
/bookstore/book[position()<3]

# 选取所有拥有名为lang的数据的title元素
//title[@lang]

# 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性
//title[@lang='eng']

# 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]

# 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
/bookstore/book[price>35.00]/title

4.4 选取未知节点：Xpath通配符可用来选取未知的xml元素

# 选取 bookstore元素的所有子元素
/bookstore/*

# 选取文档中的所有元素
//*

# 选取所有带有属性的title元素
// title[@*]

4.5 选取若干路径：通过在路径表达式中使用 “|” 运算符，可以选取若干个路径

# 选取book元素的所有title 和 price 元素
//book/title | //book/price

# 选取文档中的所有 title 和 price
// title | //price

# 选取属于bookstore 元素的book元素的所有title元素，以及文档中所有的price
/bookstore/book/title | // price