最帅爬虫_Xpath语法

一、Xpath语言简介

正则用的不好，处理 HTML 文档很累，有没有其他的方法？

有！那就是 XPath，我们可以：
(1)先将 HTML 文件转换成 XML 文档，
(2)然后用 XPath 查找 HTML 节 点或元素。

1. 什么是 XML

• XML 指可扩展标记语言(EXtensible MarkupLanguage)。
• XML 是一种标记语言，很类似 HTML。
• XML 的设计宗旨是传输数据，而非显示数据。
• XML 的标签需要我们自行定义。
• XML 被设计为具有自我描述性。
• XML 是 W3C 的推荐标准。
• W3School 文档：官方文档

2. XML 和 HTML 的区别

他们两者都是用于操作数据或者结构数据，在结构上大致相同的，但他们在本质上却存在着明显的区别。

XML 文档示例：

3. XML 的节点关系

3.1 父(Parent)

每个元素以及属性都有一个父。上面是一个简单的 XML 例子中，book 元素是 title、 author、year 以及 price 元素的父。

3.2 子(Children)

元素节点可有零个、一个或多个子。在上面的例子中， title、author、year 以及 price 元 素都是 book 元素的子。

3.3 同胞(Sibling)

拥有相同的父的节点。在上面的例子中，title、author、year 以及 price 元素都是同胞。

3.4 先辈(Ancestor)

某节点的父、父的父，等等。在上面的例子中， title 元素的先辈是 book 元素和 bookstore 元素。

3.5 后代(Descendant)

某个节点的子，子的子，等等。在上面的例子中， bookstore 的后代是 book、 title、 author、 year 以及 price 元素。

二、Xpath用法

1. 选取节点

以此为例：

XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。
这些路径表达式和我 们在常规的电脑文件系统中看到的表达式非常相似。下面列出了最常用的路径表达式：

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：

2. 谓语

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，被嵌在方括号中。

3. 选取未知节点

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：

4. 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。

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：