XPATH语法

Posted 2020-11-18 chenjingyi

节点（node）

在 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。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。

以下面这xml文档为例：

    <?xml version="1.0" encoding="ISO-8859-1"?>

    <class>

    <student>
      <name gender="boy">Harry Potter</name>
      <ID>24</ID>
    </student>

    <student>
      <name gender="girl">Li Rose<font color=red>（monitor）</font></title>
      <ID>1</ID>
    </student>

    </class>

上面例子的节点为：

    <classs> （文档节点/根节点）
    <ID>24</ID> （元素节点）
    gender="boy" （属性节点） 

节点关系

父：每个元素以及属性都有一个父。例子中<student>的父是<class>;
子：元素节点可有零个、一个或多个子。例子中<class>的子是<student>;
兄弟：拥有相同的父的节点。例子中<name>和<ID>是兄弟;
祖先：某节点的父、父的父，等等。
后代：某节点的子、子的子，等等。

基本值（或称原子值，Atomic value）

基本值是无父或无子的节点。
上面例子的基本值为：

    Harry Potter
    "boy"

项目（Item）

项目是基本值或者节点。

---

ok，接下来开始正式讲解 XPath 语法（注意，以下表达式当然可以混合使用）：

1 nodename

选取此节点的所有子节点。

from scrapy import Selector

def parse(self, response):
    selector=Selector(response)
    content=selector.xpath(class)# 选取 class 元素的所有子节点。

2 /

从根节点选取。

from scrapy import Selector

def parse(self, response):
    selector=Selector(response)
    ‘‘‘
    选取根元素 class。
    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！
    ‘‘‘
    content1=selector.xpath(/class)
    content2=selector.xpath(/class/student)

3 //

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。

from scrapy import Selector

def parse(self, response):
    selector=Selector(response)
    content=selector.xpath(//ID)# 选取所有ID子元素，而不管它们在文档中的位置。

4 .

选取当前节点。

5 ..

选取当前节点的父节点。

6 @

选取属性。

from scrapy import Selector

def parse(self, response):
    selector=Selector(response)  
    # 选取所有gender="boy"属性的节点，而不管它们在文档中的位置。
    content=selector.xpath(//[@gender="boy"])

7 谓语（Predicates）

/class/student[1]  
选取属于 class 子元素的第一个 student 元素。

/class/student[last()]
选取属于 class 子元素的最后一个 student 元素。

/class/student[last()-1]
选取属于 class 子元素的倒数第二个 student 元素。

/class/student[position()<3]
选取属于 class 子元素的前两个 student 元素。

/class/student[@gender]
选取所有拥有名为 gender 的属性的 student 元素。

/class/student[@gender="boy"]
选取所有拥有 gender="boy" 属性的 student 元素。

/class/student[ID<50]
选取 class 元素的所有 student 元素，且其中的 ID 元素的值须小于 50。

/class/student[ID<50]/name
选取 class 元素中的 student 元素的所有 name 元素，且其中的 ID 元素的值须小于 35。

8 通配符

    1. *              匹配任何元素节点
    2. @*            匹配任何属性节点
    3. node()        匹配任何类型的节点

9 拓展

对于如下的xml文档（参照http://www.tuicool.com/articles/iqQFBn）

<div id="test2">美女，<font color=red>你的微信是多少？</font><div>

如果使用：
data = selector.xpath(‘//div[@id="test2"]/text()‘).extract()[0]
只能提取到“美女，”；

如果使用：
data = selector.xpath(‘//div[@id="test2"]/font/text()‘).extract()[0]
又只能提取到“你的微信是多少？”

到底我们要怎样才能把“美女，你的微信是多少”提取出来？

可以使用xpath的string(.)来达到目的

    data = selector.xpath(‘//div[@id="test2"])
    info = data.xpath(‘string(.)‘).extract()[0]