XML与XPath的小贴士

Posted 2022-09-30

1. XML

基本规定

• 任何开始的东西都必须由结束。

<aTag src="apic.png"></aTag>

• 如果要省略结束标签，必须如下：

<aTag src="apic.png" />

• 开始和结束标签必须严格匹配。​​XML是区分大小写的​​。

XML规范继承了SGML的DTD（Document Type Definition）。W3C还定义了另外一个叫schema的规范，用来实现和DTD类似的功能。

重要术语

• 良构（well-formed）
  XML能够符合所有的语法约束。
• 有效（valid）
  XML能够满足比如DTD之类的数据定义。有效的XML一定是良构的，反之不然。很多XML没有相应的DTD或者schema，但这种XML往往又能被解析，而它不能算是有效的。
• 属性
  在起始标签中的描述信息。
• CDATA（Character Data）
  一般指那些没有标记（比如标签）的数据。也可以指CDATA段落，它使得XML解析器在这里关闭标记识别功能。
• PCDATA（Parsed Character Data）
  Parsed意味着XML解析器会对段落中的<和&标记进行处理。它可以被理解为是CDATA数据再加上少数几个标记。

其他注意点

• 特殊字符
  有些特殊的字符是不能在XML文件中直接使用的，必须使用entity（实体）的形式来间接表达，和html一样。

特殊字符	实体形式
<	&lt；
>	&gt；
&	&amp；
’	&apos；
"	&quot；

• UTF-8编码
  需提前声明

<?xml version="1.0" encoding="UTF-8"?>

• XSLT
  用来把XML翻译成其他格式，比如HTML。
• XPath
  一种用来筛选XML文档内容的规范。
• SOAP/XML-RPC
  用来与远程服务进行XML信息交换。
• 名称空间
  XML名称空间是确保文档中元素唯一且能相互区分的方法。

<red xmlns="http://colors.beeworkshop.com/my">...</red>

​​注意：名称空间中的URI只是一种表示唯一标识的方式，以URI形式表示的名称空间不会有重复。该起唯一标识作用的URI不一定是真实可以访问的网址，解析器也永远不会建立连接来请求此页面资源。​​ 对于同一个元素，可以定义多个名称空间，形式上每个名称空间都要有一个前缀字符串用于标识区分。

<juicebox xmlns:color="http://colors.beeworkshop.com/chart"
      xmlns:fruit="http://fruits.beeworkshop.com/fruitlst">
  <color:orange>#dd3e00</color:orange>
  <fruit:orange>Citrus sinensis</fruit:orange>
</juicebox>

上边定义了两个名称空间，分别用前缀color和fruit表示。

2. XPath

XPath是一门独立的语言，是W3C的规范。用来定义如何从XML文档中取出感兴趣的数据。有专门的XPath解析器以提供功能上的支持。XPath如果定位路径有问题，程序不会停下来报错，只是不返回任何值。XPath可以用于XML，也可以用于HTML。
教程可参考 https://www.w3school.com.cn/xpath/index.asp
当然XML及XPath都包含在了libxml2库中。
XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

• 基本概念
  将XML文档的组织理解为LInux的目录树结构。XPath使用了定位路径（location path）的概念来描述通往文档中某个/某些节点的寻址方式。定位路径可以从树的顶端开始，称为绝对路径；也可以从树的某个位置开始，称为相对路径。
  这里用​​​/​​​定义为根节点，把​​.​​​定义为当前节点（上下文节点），而​​..​​定义为上下文节点的父节点。这类似于在Linux文件系统中定位文件。
• 如何得到属性
  可以在属性名前加上​​​@​​

/network/desc/@name可以得到下边的“a name”

<network>
  <desc name="a name">a comment</desc>
</network>

• 如何得到元素文本节点内容
  可以在定位路径的末尾加上text()

/network/desc/text()可以得到下边的“a comment”

<network>
  <desc name="a name">a comment</desc>
</network>

• 通配符的使用

/network/host/*/arec/text()
用来定位所有在<host></host>节点下带有<arec></arec>子节点的元素节点，并返回<arec></arec>标签中元素的内容。

/network/host/@*
能返回所有<host></host>元素的属性。

注：​​*​​​可以用来匹配所有元素节点；而​​node()​​可以用来匹配所有节点（元素或者其他对象）。

• 搜索子树的所有匹配
  在定位路径的任何位置使用​​​//​​就意味着从树的那个位置开始一直往下找，返回所有匹配的结果。

/network//arec/text()
从<network></network>节点开始往下找，找出所有<arec></arec>标签中的文本。

• 谓词（Predicates）
  谓词可以让我们能够从所有可选的节点中筛选出感兴趣的。谓词使用​​​[ ]​​来完成选择。在定位路径中的任何位置都可以使用谓词。具体使用类似数组下标。

/network/host[2]/interface/arec/text()
请选择host的第二个分支，谢谢。数字索引从1开始。

/network/host[@name="babykeeper"]
筛选出父节点network下属性name的值为babykeeper的<host></host>

谓词也可以在路径中间使用
/network/host[@os="linux"]/service/../@name
上边的含义为，查找<network></network>节点下的<host></host>子节点，要求host节点的os属性值为linux，然后搜索抵达<service></service>节点。然后通过../@name来取得父节点的name属性，即当前节点<service></service>的父节点<host></host>的name属性值。达到的效果是取得那些有service子节点的host节点的名字。

//host/service[text()=DNS]
从根开始查找所有包含<service></service>节点的<host></host>节点，要求service节点的文本内容是DNS，即形如
...
  <host>
    <service>DNS</service>
  </host>

• 简写与轴

/child::network/child::host[postition()=2]/child::service[postition()=1]/child::text()
这里child::就是轴，它指出了搜索移动的方向是向DOM树的叶子节点方向进行的。
简写如下
/network/host[2]/service[1]/text()
常用的坐标轴是
following-sibling::
它指示搜索从兄弟节点的同级方向进行。

3. XPath总结

XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

可以使用的第三方工具：

Oxygen XML

XML的例子

<?xml version="1.0" encoding="UTF-8"?>

<bookstore>

<book category="COOKING">
  <title lang="en">Everyday Italian</title>
  <author>Giada De Laurentiis</author>
  <year>2005</year>
  <price>30.00</price>
</book>

<book category="CHILDREN">
  <title lang="en">Harry Potter</title>
  <author>J K. Rowling</author>
  <year>2005</year>
  <price>29.99</price>
</book>

<book category="WEB">
  <title lang="en">XQuery Kick Start</title>
  <author>James McGovern</author>
  <author>Per Bothner</author>
  <author>Kurt Cagle</author>
  <author>James Linn</author>
  <author>Vaidyanathan Nagarajan</author>
  <year>2003</year>
  <price>49.99</price>
</book>

<book category="WEB">
  <title lang="en">Learning XML</title>
  <author>Erik T. Ray</author>
  <year>2003</year>
  <price>39.95</price>
</book>

</bookstore>

• 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。

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
·	选取当前节点。
··	选取当前节点的父节点。
@	选取属性。

例子

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点。
/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/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。
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。

• 谓词（Predicates）
  谓词用来查找某个特定的节点或者包含某个指定的值的节点。
  谓词被嵌在方括号中。

例子

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。
/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。

• 使用通配符

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

例子

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。

• 选择多个路径
  通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

例子

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轴
  轴可定义相对于当前节点的节点集。

轴名称	结果
ancestor	选取当前节点的所有先辈（父、祖父等）。
ancestor-or-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身。
attribute	选取当前节点的所有属性。
child	选取当前节点的所有子元素。
descendant	选取当前节点的所有后代元素（子、孙等）。
descendant-or-self	选取当前节点的所有后代元素（子、孙等）以及当前节点本身。
following	选取文档中当前节点的结束标签之后的所有节点。
namespace	选取当前节点的所有命名空间节点。
parent	选取当前节点的父节点。
preceding	选取文档中当前节点的开始标签之前的所有节点。
preceding-sibling	选取当前节点之前的所有同级节点。
self	选取当前节点。

• 位置路径表达式
  位置路径可以是绝对的，也可以是相对的。

绝对路径起始于正斜杠( / )，而相对路径不会这样。在两种情况中，位置路径均包括一个或多个步，每个步均被斜杠分割：

绝对位置路径
/step/step/...
相对位置路径
step/step/...

轴（axis）
定义所选节点与当前节点之间的树关系。可以理解为坐标轴。

节点测试（node-test）
识别某个轴内部的节点

零个或者更多谓语（predicate）
更深入地提炼所选的节点集

步的语法：

轴名称::节点测试[谓语]

例子

Xpath XPath 轴 Axes 爬虫 xpath XPath injection XPATH节点获取 常见的爬虫分析库-xpath语法