使用 Xpath 进行爬虫开发

Xpath( XML Path Language, XML路径语言)，是一种在 XML 数据中查找信息的语言，现在，我们也可以使用它在 HTML 中查找需要的信息。

既然谈到 Xpath 是一门语言，当然它就会有自己的一些特定的语法。我们这里罗列一些经常使用的语法，熟悉下面的基本语法之后，就能满足我们日常的爬虫开发所用。

本小节主要内容:

• Xpath的基本概念
• Xpath的基本语法
• Xpath实战

学习目标：

熟练掌握常用的 Xpath 的基本操作

1. 开发前的准备

前面我们介绍的 XPath 基本的语法和基本操作，下面我们通过 lxml 库，来熟悉一下 XPath 的使用。

首先，我们需要一个测试文件，文件如下，文件名为 xpath_test.xml：

<!---  这是一个测试数据，方便我们后面进行解析-->
<div>
<ul>
<li class='item-0'><a href='a.html'>python item</a></li>
<li class='item-1'><a href='b.html'>java item</a></li>
<li class='item-inactive'><a href='c.html'><span class='bold'>C item</span></a></li>
<li class='item-1'><a href='d.html'>java item</a></li>
<li class='item-0'><a href='b.html'>java item</a></li>
<li class='item-0'><a href='b.html'>java item</a></li>
</ul>
</div>

2. 基本语法

2.1 节点之间的关系

• 父节点：每个元素都有一个父亲节点；
• 子节点：每个元素节点可以有零个，一个或者多个父亲节点；
• 兄弟节点：相同父亲节点的节点；
• 先辈节点：一个元素的父亲节点的父亲节点；
• 后辈节点：一个元素的子节点的子节点。

表达式基本语法

2.2 谓语与通配符

3. 开发案例

开发案例一：

• 从xml中查找出所有的’li’标签

from lxml import etree
emt = etree.parse('text.xml')
rst = emt.xpath('//li')

运行结果如下图所示：

开发案例二：

• 从xml中查找出所有的’li’标签的所有class

from lxml import etree
emt = etree.parse('text.xml')
rst = emt.xpath('//li/@class')

运行结果如下图所示：

开发案例三：

• 从xml中查找出所有的’li’标签下面的href为a.html的标签

from lxml import etree
emt = etree.parse('text.xml')
rst = emt.xpath('//li/a[@href="a.html"]')

运行结果如下图所示：

4. 小结

XPath 是一种查询语言，它是通过路径来寻找相应的信息，正如它的英文名称 path 一样，通过不同种X路径，最终找到自己需要的信息。通过 XPath,我们不但可以搜索 XML，也可以搜索 HTML。

通过案例，我们基本熟悉了 XPath 的基本使用，这也为我们后面学习 BeautifulSoup 打下了良好的基础，XPath 为我们从复杂的文档中，快速定位信息提供了良好的支持，也为我们后面处理和整理爬虫爬下来的信息奠定了根基。