Python爬蟲之Xpath語法


      XPath 是一門在 XML 文檔中查找信息的語言。XPath 用於在 XML 文檔中經過元素和屬性進行導航。
        XPath 含有超過 100 個內建的函數。這些函數用於字符串值、數值、日期和時間比較、節點和 QName 處理、序列處理、邏輯值等等。
       XPath 是 W3C 標準,XPath 於 1999 年 11 月 16 日 成爲 W3C 標準。XPath 被設計爲供 XSLT、XPointer 以及其餘 XML 解析軟件使用。
       在XPath 中,有七種類型的節點:元素、屬性、文本、命名空間、處理指令、註釋以及文檔節點(或稱爲根節點)。
       XML 文檔是被做爲節點樹來對待的。樹的根被稱爲文檔節點或者根節點。node


1、選取節點
          經常使用的路徑表達式:
  函數

表達式spa

描述設計

實例orm


nodenameci

選取nodename節點的全部子節點文檔

xpath(‘//div’)字符串

選取了div節點的全部子節點string

/it

從根節點選取

xpath(‘/div’)

從根節點上選取div節點

//

選取全部的當前節點,不考慮他們的位置

xpath(‘//div’)

選取全部的div節點

.

選取當前節點

xpath(‘./div’)

選取當前節點下的div節點

..

選取當前節點的父節點

xpath(‘..’)

回到上一個節點

@

選取屬性

xpath(’//@calss’

選取全部的class屬性



2、謂詞:被嵌在方括號內,用來查找某個特定的節點或包含某個制定的值的節點

表達式

結果

xpath(‘/body/div[1]’)

選取body下的第一個div節點

xpath(‘/body/div[last()]’)

選取body下最後一個div節點

xpath(‘/body/div[last()-1]’)

選取body下倒數第二個div節點

xpath(‘/body/div[positon()<3]’)

選取body下前兩個div節點

xpath(‘/body/div[@class]’)

選取body下帶有class屬性的div節點

xpath(‘/body/div[@class=」main」]’)

選取bodyclass屬性爲maindiv節點

xpath(‘/body/div[price>35.00]’)

選取bodyprice元素值大於35div節點



3、通配符:Xpath經過通配符來選取未知的XML元素

表達式

結果

xpath(’/div/*’

選取div下的全部子節點

xpath(‘/div[@*]’)

選取全部帶屬性的div節點


4、取多個路徑:使用「 | 運算符能夠選取多個路徑

表達式

結果

xpath(‘//div|//table’)

選取全部的divtable節點


5、Xpath軸:軸能夠定義相對於當前節點的節點集

軸名稱

表達式

描述

ancestor

xpath(‘./ancestor::*’)

選取當前節點的全部先輩節點(父、祖父)

ancestor-or-self

xpath(‘./ancestor-or-self::*’)

選取當前節點的全部先輩節點以及節點自己

attribute

xpath(‘./attribute::*’)

選取當前節點的全部屬性

child

xpath(‘./child::*’)

返回當前節點的全部子節點

descendant

xpath(‘./descendant::*’)

返回當前節點的全部後代節點(子節點、孫節點)

following

xpath(‘./following::*’)

選取文檔中當前節點結束標籤後的全部節點

following-sibing

xpath(‘./following-sibing::*’)

選取當前節點以後的兄弟節點

parent

xpath(‘./parent::*’)

選取當前節點的父節點

preceding

xpath(‘./preceding::*’)

選取文檔中當前節點開始標籤前的全部節點

preceding-sibling

xpath(‘./preceding-sibling::*’)

選取當前節點以前的兄弟節點

self

xpath(‘./self::*’)

選取當前節點


6、功能函數:使用功能函數可以更好的進行模糊搜索

函數

用法

解釋

starts-with

xpath(‘//div[starts-with(@id,」ma」)]‘)

選取id值以ma開頭的div節點

contains

xpath(‘//div[contains(@id,」ma」)]‘)

選取id值包含madiv節點

and

xpath(‘//div[contains(@id,」ma」) and contains(@id,」in」)]‘)

選取id值包含maindiv節點

text()

xpath(‘//div[contains(text(),」ma」)]‘)

選取節點文本包含madiv節點


7、經常使用函數:  一、精肯定位(1)contains(str1,str2)用來判斷str1是否包含str2例1://*[contains(@class,'c-summaryc-row ')]選擇@class值中包含c-summary c-row的節點例2://div[contains(.//text(),'價格')]選擇text()中包含價格的div節點(2)position()選擇當前的第幾個節點例1://*[@class='result'][position()=1]選擇@class='result'的第一個節點例2://*[@class='result'][position()<=2]選擇@class='result'的前兩個節點(3)last()選擇當前的倒數第幾個節點例1://*[@class='result'][last()]選擇@class='result'的最後一個節點例2://*[@class='result'][last()-1]選擇@class='result'的倒數第二個節點(4)following-sibling 選取當前節點以後的全部同級節點例1://div[@class='result']/following-sibling::div選擇@class='result'的div節點後全部同級div節點找到多個節點時可經過position肯定第幾個如://div[@class='result']/following-sibling::div[position()=1](5)preceding-sibling 選取當前節點以前的全部同級節點使用方法同following-sibling 二、過濾信息(1)substring-before(str1,str2)用於返回字符串str1中位於第一個str2以前的部分例子:substring-before(.//*[@class='c-more_link']/text(),'條') 返回.//*[@class='c-more_link']/text()中第一個'條'前面的部分,若是不存在'條',則返回空值(2)substring-after(str1,str2)跟substring-before相似,返回字符串str1中位於第一個str2以後的部分例1:substring-after(.//*[@class='c-more_link']/text(),'條')返回.//*[@class='c-more_link']/text()中第一個’條’後面的部分,若是不存在'條',則返回空值例2:substring-after(substring-before(.//*[@class='c-more_link']/text(),'新聞'),'條') 返回.//*[@class='c-more_link']/text()中第一個'新聞'前面與第一個'條'後面之間的部分(3)normalize-space()用來將一個字符串的頭部和尾部的空白字符刪除,若是字符串中間含有多個連續的空白字符,將用一個空格來代替例子:normalize-space(.//*[contains(@class,'c-summaryc-row ')])(4)translate(string,str1,str2) 假如string中的字符在str1中有出現,那麼替換爲str1對應str2的同一位置的字符,假如str2這個位置取不到字符則刪除string的該字符例子:translate('12:30','03','54')結果:'12:45'三、拼接信息(1)concat()函數用於串連多個字符串例子:concat('http://baidu.com',.//*[@class='c-more_link']/@href)

相關文章
相關標籤/搜索