09-XPath 语言-python爬虫

09-XPath 语言-python爬虫

XPath 语言

XPath（XML Path Language）是XML路径语言,它是一种用来定位XML文档中某部分位置的语言。

学习目的

将HTML转换成XML文档之后，用XPath查找HTML节点或元素

比如用“/”来作为上下层级间的分隔，第一个“/”表示文档的根节点（注意，不是指文档最外层的tag节点，而是指文档本身）。

比如对于一个HTML文件来说，最外层的节点应该是"/html"。

XPath开发工具

开源的XPath表达式编辑工具:XMLQuire(XML格式文件可用)chrome插件 XPath Helper直接在console 里面输入 $x("xpath选择器")

firefox插件 XPath Checker

XPath语法参考文档：

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。

29.99 39.95

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。
..	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：

路径表达式	结果
/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 bookstore 元素的所有子节点。默认从根节点选取
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素。
//book	选取所有 book 子元素，而不管它们在文档中的位置。
//book/./title	选取所有 book 子元素，从当前节点查找title节点
//price/..	选取所有 book 子元素，从当前节点查找父节点
bookstore//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。
//@lang	选取名为 lang 的所有属性。

谓语条件（Predicates）

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。所谓"谓语条件"，就是对路径表达式的附加条件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：

路径表达式	结果
/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。
//book[price]	选取所有 book 元素，且被选中的book元素必须带有price子元素
/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。

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符	描述
*	匹配任何元素节点。
@	匹配任何属性节点。

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：

路径表达式	结果
/bookstore/	选取 bookstore 元素的所有子元素。
//	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。

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：

路径表达式	结果
//book/title | //book/price	选取 book 元素的所有 title 和 price 元素。
//title | //price	选取文档中的所有 title 和 price 元素。
/bookstore/book/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 元素。

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。

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

测试使用的XML

张城斌 cbcye@live.com ID="1002" >Gary Zhang GaryZhang@cbcye.comcn 字符串的Person节点Xpath表达式：

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

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')]

学习笔记

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

//*[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

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：

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？

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]