scrapy基础 之 xpath网页结构
Posted 0-lingdu
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了scrapy基础 之 xpath网页结构相关的知识,希望对你有一定的参考价值。
1 ,什么是xpath
XPath 是一门在 XML 文档中查找信息的语言。XML是一种类似于html的传输协议
2,节点
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(根)节点。
实例:
<?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>
解析: <bookstore> (文档节点) <author>J K. Rowling</author> (元素节点) lang="en" (属性节点) J K. Rowling(基本值) #一般把基本值或者节点叫做项目。
节点关系有父和子之分:
<book> #父 <title>Harry Potter</title> #是book的子,同级的项目叫做同胞,title,auther,year 和price叫做同胞 <author>J K. Rowling</author> #同上 <year>2005</year> #同上 <price>29.99</price> #同上 </book>
超过一级的父子节点关系叫做先辈和后代,比如父的父,子的子等
3,选取节点
XML实例:
<?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>
#选取节点的规则
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。
节点选取实例:
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。
/bookstore/book/price/text() text()选取所有文本的意思
注意:如果 XPath 的开头是一个斜线(/)代表这是绝对路径。如果开头是两个斜线(//)表示文件中所有符合模式的元素都会被选出来,即使是处于树中不同的层级也会被选出来。
谓语:
/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。
如何选取未知的节点:
* 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。
/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。
路径表达式中使用"|"运算符,您可以选取若干个路径:
//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
4 轴
通过 XPath 轴可以定义相对于当前节点的节点集。
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。
6 实例
<?xml version="1.0" encoding="ISO-8859-1"?> <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>
选取所有的title:/bookstore/book/title
选取第一个book下面的title:/bookstore/book[1]/title
选取price节点中所有的文本:/bookstore/book/price/text()
选取价格高于35的所有price节点的文本:/bookstore/book[price>35]/price
选取价格节点高于35的所有title节点:/bookstore/book[price>35]/title
以上是关于scrapy基础 之 xpath网页结构的主要内容,如果未能解决你的问题,请参考以下文章
1.Scrapy爬虫之静态网页爬取之一 了解response.xpath()