从零到高手：掌握XPath的5个神技，让你数据抓取快人10倍-CSDN博客

本文链接：https://blog.csdn.net/static_coder/article/details/148004822

平台奖励创作，可能会升级VIP文章，可以移步我的公众号：【编程朝花夕拾】，且可获取首发内容。

01 引言

同事每天准点下班，而我还在加班写爬虫？项目Deadline逼近，数据却卡在网页结构里抽不出来？答案可能藏在XPath里。

无论是爬虫、还是现在流行的大模型的Agent工作流，解析网页数据的工具都可能用到Xpath。Xpath到底是什么呢？

02 Xpath简介

XPath是一种用于在XML和HTML文档中定位和遍历元素的语言。在Web开发中，XPath是非常重要的技能之一。掌握XPath的语法可以帮助开发人员更快速地解析和提取数据。

有过Jquery基础的可能会更加容易上手一下，归根到底，就是定位网页中的DOM节点，取出自己想要的数据。现在主流的浏览器如Chrome 本身就支持Xpath的语法，更方面我们直接调试。

03 基础语法

3.1 语法

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取（取子节点）。
//	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（取子孙节点）。
.	选取当前节点。
…	选取当前节点的父节点。
@	选取属性。
*	通配符，匹配任何元素节点

值得注意的是：//忽略节点位置的

3.2 表达式案例

路径表达式	结果
dd	选取所有名为 dd的节点
/dd	选取根元素 dd
dd/span	选取属于 dd 的子元素的所有 span元素
//span	选取所有 span子元素，而不管它们在文档中的位置
dd//span	选择属于 dd 元素的后代的所有 span元素，而不管它们位于 dd之下的什么位置。
//@href	选择包含href属性的所有节点。

3.3 浏览器中的使用

语法：

$x("xpath表达式");

例：获取所有包含href属性的节点

04 【必学】5个神技

语法很简单，如果要熟练使用，就需要多家练习。这里总结5个必学神奇，轻松驾驭80%的场景

案例Html：

<html>
    <body>
        <div class="content-1">
            <h1>内容1</h1>
            <p>Paragraph</p>
			<input type="text" value="1">
            <a href="example.com">链接跳转1</a>
        </div>
		<div>
			<h1>内容2</h1>
			<ul class="content-2">
				<li>测试1</li>
				<li>测试2</li>
				<li>
					测试3
					<p>Paragraph测试3</p>
				</li>
				<li>
					测试4
					<a href="simonking.com">链接跳转4</a>
				</li>
			</ul>
			<ul class="content-3">
				<li>测试31</li>
				<li>测试32</li>
				<li>
					测试33
					<p>Paragraph测试33</p>
				</li>
				<li>
					测试34
					<a href="simonking.com">链接跳转34</a>
				</li>
			</ul>
		</div>
    </body>
</html>

4.1 「绝对路径」陷阱

假如我们需要会获取第一个div下的p标签

# 绝对路径
/html/body/div/p

# 相对路径
//div[@class='content-1']/p

两种方案都可取代需要的节点，但是我们更推荐相对路径。因为绝对路径必须严格遵守节点顺序，一旦发生更改，就会造成取值错乱，可移植性很差，这也是90%的新手最容易踩的坑。

4.2 模糊匹配黑科技

获取class名称包含content-的节点

//*[contains(@class, "content-")]

这样可以轻松应对动态的节点。

4.3 同级节点穿梭术

获取第二个div中h1标签之后的所有同级标签

这里需要使用到Xpath的轴（Axes）。

//div[2]/h1/following-sibling::ul

其中following-sibling就是轴（Axes），表示后续的同级节点。其他的轴，后面我们单独来讲。

4.4 条件筛选绝招

获取class为content-2的ul，下中间的两个li

//ul[@class='content-2']/li[position()>1 and position()<last()]

通过position()函数获取位置，last() 表示最后一个位置。

4.5 文本定位必杀技

获取链接跳转34的a标签

//a[text()='链接跳转34']

05 高手的进阶技巧

Chrome开发者工具隐藏功能，按下Ctrl+F在Elements面板直接调试XPath，实时高亮匹配结果。

性能优化三原则：

少用//多用具体标签
善用轴（axis）减少扫描范围
优先使用@id等唯一属性

06 小结

你的下一个爬虫项目，可能只需要10行代码。XPath就像数据世界的望远镜，当别人还在用肉眼搜寻数据时，你已经拥有了降维打击的能力。现在打开浏览器开发者工具，用Ctrl+F开启你的第一个XPath查询吧！