非结构化数据之XPath学习

1、XPath语法

XPath 是一门在 XML 文档中查找信息的语言。
XPath 可用来在 XML 文档中对元素和属性进行遍历。

<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
<book>
  <title lang="eng">Harry Potter</title>
  <price>29.99</price>
</book>
<book>
  <title lang="eng">Learning XML</title>
  <price>39.95</price>
</book>
</bookstore>

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。
下面列出了最有用的路径表达式：

表达式	描述
/	从根节点选取
nodename	选取此节点的所有子节点。
//	从当前节点 选择 所有匹配文档中的节点
.	选取当前节点。
两个点	选取当前节点的父节点。
@	选取属性

• 实例
  在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

• 谓语条件（Predicates）
  1、谓语用来查找某个特定的信息或者包含某个指定的值的节点
  2、所谓"谓语条件"，就是对路径表达式的附加条件
  3、谓语是被嵌在方括号中，都写在方括号"[]"中，表示对节点进行进一步的筛选。
• 实例
  在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
  
• 选取未知节点
  XPath 通配符可用来选取未知的 XML 元素。

• 实例
  在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
  
• 选取若干路径
  通过在路径表达式中使用“|”运算符，您可以选取若干个路径。
• 实例
  在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
  

XPath 高级用法

• 模糊查询 contains
  目前许多web框架，都是动态生成界面的元素id，因此在每次操作相同界面时，ID都是变化的，这样为自动化测试造成了一定的影响。

<div class="eleWrapper" title="请输入用户名">
<input type="text" class="textfield" name="ID9sLJQnkQyLGLhYShhlJ6gPzHLgvhpKpLzp2Tyh4hyb1b4pnvzxFR!-166749344!1357374592067" id="nt1357374592068"  />
</div>

解决方法使用xpath的匹配功能，//input[contains(@id,‘nt’)]

• 测试使用的XML

<Root>

<Person ID="1001" >

<Name lang="zh-cn" >张城斌</Name>

<Email xmlns="www.quicklearn.cn" > cbcye@live.com </Email>

<Blog>http://cbcye.cnblogs.com</Blog>

</Person>

<Person ID="1002" >

<Name lang="en" >Gary Zhang</Name>

<Email xmlns="www.quicklearn.cn" > GaryZhang@cbcye.com</Email>

<Blog>http://www.quicklearn.cn</Blog>

</Person>

</Root>

• 查询所有Blog节点值中带有 cn 字符串的Person节点Xpath表达式：

/Root//Person[contains(Blog,'cn')]

2.查询所有Blog节点值中带有 cn 字符串并且属性ID值中有01的Person节点
Xpath表达式：

/Root//Person[contains(Blog,'cn') and contains(@ID,'01')]

3、案例

1.依靠自己的属性，文本定位

  //td[text()='Data Import']

   //div[contains(@class,'cux-rightArrowIcon-on')]

   //a[text()='马上注册']

   //input[@type='radio' and @value='1']     多条件

   //span[@name='bruce'][text()='bruce1'][1]   多条件

    //span[@id='bruce1' or text()='bruce2']  找出多个

    //span[text()='bruce1' and text()='bruce2']  找出多个

2.依靠父节点定位

  //div[@class='x-grid-col-name x-grid-cell-inner']/div

  //div[@id='dynamicGridTestInstanceformclearuxformdiv']/div

  //div[@id='test']/input

3.依靠子节点定位

//div[div[@id='navigation']]

  //div[div[@name='listType']]

  //div[p[@name='testname']]

4.混合型

 //div[div[@name='listType']]//img

  //td[a//font[contains(text(),'seleleium2从零开始 视屏')]]//input[@type='checkbox']

5.进阶部分

 //input[@id='123']/following-sibling::input   找下一个兄弟节点

   //input[@id='123']/preceding-sibling::span    上一个兄弟节点

   //input[starts-with(@id,'123')]               以什么开头

   //span[not(contains(text(),'xpath')）]        不包含xpath字段的span

6.索引

  //div/input[2]

  //div[@id='position']/span[3]

  //div[@id='position']/span[position()=3]

  //div[@id='position']/span[position()>3]

  //div[@id='position']/span[position()<3]

  //div[@id='position']/span[last()]

  //div[@id='position']/span[last()-1]

7.substring 截取判断

<div data-for="result" id="swfEveryCookieWrap"></div>

 //*[substring(@id,4,5)='Every']/@id  截取该属性 定位3,取长度5的字符 

  //*[substring(@id,4)='EveryCookieWrap']  截取该属性从定位3 到最后的字符 

  //*[substring-before(@id,'C')='swfEvery']/@id   属性 'C'之前的字符匹配

  //*[substring-after(@id,'C')='ookieWrap']/@id   属性'C之后的字符匹配

8.通配符*

 //span[@*='bruce']

  //*[@name='bruce']

9.轴

  //div[span[text()='+++current node']]/parent::div    找父节点

  //div[span[text()='+++current node']]/ancestor::div    找祖先节点

10.孙子节点

  //div[span[text()='current note']]/descendant::div/span[text()='123']

  //div[span[text()='current note']]//div/span[text()='123']          两个表达的意思一样

11.following pre

 //span[@class="fk fk_cur"]/../following::a       往下的所有a

  //span[@class="fk fk_cur"]/../preceding::a[1]    往上的所有a

4、xpath提取多个标签下的text

在写爬虫的时候，经常会使用xpath进行数据的提取，对于如下的代码：

<div id="test1">大家好！</div>

使用xpath提取是非常方便的。假设网页的源代码在selector中：

data = selector.xpath('//div[@id="test1"]/text()').extract()[0]

就可以把“大家好！”提取到data变量中去。
然而如果遇到下面这段代码呢？

<div id="test2">美女，<font color=red>你的微信是多少？</font><div>

如果使用：

data = selector.xpath('//div[@id="test2"]/text()').extract()[0]

只能提取到“美女，”；

如果使用：

data = selector.xpath('//div[@id="test2"]/font/text()').extract()[0]

又只能提取到“你的微信是多少？”
可是我本意是想把“美女，你的微信是多少？”这一整个句子提取出来。

<div id="test3">我左青龙，<span id="tiger">右白虎，<ul>上朱雀，<li>下玄武。</li></ul>老牛在当中，</span>龙头在胸口。<div>

而且内部的标签还不固定，如果我有一百段这样类似的html代码，又如何使用xpath表达式，以最快最方便的方式提取出来？
使用xpath的string(.)
以第三段代码为例：

data = selector.xpath('//div[@id="test3"]')
info = data.xpath('string(.)').extract()[0]