xPath 用法總結整理
最近在研究kafka,看了一堆理論的東西,想動手實踐一些東西,奈何手上的資料比較少,突發奇想就打算寫個爬蟲去抓一些資料來玩,順便把深入一下爬蟲技術。
之前寫過一些小爬蟲,一般就是用python的requests+lxml來爬取資料。這次打算學一下python的scrapy框架來爬取資料。解析網頁內容還是打算用lxml,lxml使用了xpath語法,由於太久沒用都忘光了。所以打算重新學習一下xpath語法,並做個總結,方便以後忘了可以馬上回顧。
一、xpath介紹
-
XPath 是一門在 XML 文件中查詢資訊的語言。XPath 用於在 XML 文件中通過元素和屬性進行導航。
-
XPath 使用路徑表示式在 XML 文件中進行導航
-
XPath 包含一個標準函式庫
-
XPath 是 XSLT 中的主要元素
-
XPath 是一個 W3C 標準
節點 -
在 XPath 中,有七種型別的節點:元素、屬性、文字、名稱空間、處理指令、註釋以及文件(根)節點。XML 文件是被作為節點樹來對待的。
二、xpath語法
表示式 | 描述 nodename | 選取此節點的所有子節點。 / | 從根節點選取。 // | 從匹配選擇的當前節點選擇文件中的節點,而不考慮它們的位置。 . | 選取當前節點。 .. | 選取當前節點的父節點。 @ | 選取屬性。
-
例子
以下面這個xml為例子
<?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>
xml.xpath(“bookstore”) 表示選取 bookstore 元素的所有子節點
xml.xpath(“/bookstore”) 表示選取根元素 bookstore。
xml.xpath(“bookstore/book”) 選取屬於 bookstore 的子元素的所有 book 元素。
xml.xpath(“//book”) 選取所有 book 子元素,而不管它們在文件中的位置。
xml.xpath(“bookstore//book”) 選擇屬於 bookstore 元素的後代的所有 book 元素,而不管它們位於 bookstore 之下的什麼位置。
xml.xpath(“//@lang”) 選取名為 lang 的所有屬性。
謂語
- 路徑表示式 結果
- /bookstore/book[1] 選取屬於 bookstore 子元素的第一個 book 元素。
- /bookstore/book[last()] 選取屬於 bookstore 子元素的最後一個 book 元素。
- /bookstore/book[last()-1] 選取屬於 bookstore 子元素的倒數第二個 book 元素。
- /bookstore/book[position()❤️] 選取最前面的兩個屬於 bookstore 元素的子元素的 book 元素。
- //title[@lang] 選取所有擁有名為 lang 的屬性的 title 元素。
- //title[@lang=’eng’] 選取所有 title 元素,且這些元素擁有值為 eng 的 lang 屬性。
- /bookstore/book[price>35.00] 選取 bookstore 元素的所有 book 元素,且其中的 price 元素的值須大於 35.00。
- /bookstore/book[price>35.00]/title 選取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值須大於 35.00。
選取未知節點
- ** 萬用字元 描述**
- ** * 匹配任何元素節點。**
- ** @* 匹配任何屬性節點。**
-
node() 匹配任何型別的節點。
轉載連結:https://blog.csdn.net/u013332124/article/details/80621638?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522164853456416782092958612%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=164853456416782092958612&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2alltop_positive~default-2-80621638.142v5pc_search_result_control_group,143v6register&utm_term=xpath&spm=1018.2226.3001.4187