Python——爬虫入门XPath的使用

Xpath即为XML路径语言（XML Path Language）。它是一种用来确定XML文档中某部分位置的语言。

XPath基于XML的树状结构，提供在数据结构树种找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当做小型查询语言。

由于XPath确定XML文档中定位的能力，我们在用Python写爬虫时，常常使用XPath来确定HTML中的位置，辅助我们编写爬虫，抓取数据。

节点

在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（或者称为根节点）。

下面举几个节点的例子来说明：

<?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>

</bookstore>

在上面的XML文档中：

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

表示法

Xpath最常见的表达式就是路径表达式（XPath这一名称的另一来源）。路径表达式是从一个XML节点（当前的上下文节点）到另一个节点、或一组节点的书面步骤顺序。这些步骤以“/”字符分开，每一步有三个构成部分。

• 轴描述（用最直接的方式接近目标节点）
• 节点测试（用于筛选节点位置和名称）
• 节点描述（用于筛选节点的属性和子节点特征）

一般情况下，我们使用简写后的语法，虽然完整的轴描述是一种更加贴近人类语言，利用自然语言的单词和语法来书写的描述方式，但是相比之下也更加啰嗦。

实例

我们将在下面的例子中使用这个XML文档。

<?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>

我们来使用路径表达式在上面的XML文档中选取节点。

节点是通过沿着路径或者step来选取的。

下面表格列举的是最有用的路径表达式:

而下面的这个表格，我已经列出了一些路径表达式以及表达式的结果

通配符选用节点

XPath通配符可用来选取未知的XML元素

Python中的XPath库

通过 Python 的 LXML 库利用 XPath 进行 HTML 的解析。

lxml用法源自 lxml python 官方文档，更多内容请直接参阅官方文档，本文对其进行翻译与整理。

安装lxml

pip install lxml

现在我们简单的介绍完了XPath的语法，对于爬虫的准备知识已经铺垫完毕了，从下一篇博客开始，就要进入爬虫的实战教程了。