爬蟲網(wǎng)頁內(nèi)容提取神器之xpath是什么-創(chuàng)新互聯(lián)

創(chuàng)新互聯(lián)www.cdcxhl.cn八線動(dòng)態(tài)BGP香港云服務(wù)器提供商，新人活動(dòng)買多久送多久，劃算不套路！

10余年的興安盟網(wǎng)站建設(shè)經(jīng)驗(yàn)，針對(duì)設(shè)計(jì)、前端、開發(fā)、售后、文案、推廣等六對(duì)一服務(wù)，響應(yīng)快，48小時(shí)及時(shí)工作處理。網(wǎng)絡(luò)營銷推廣的優(yōu)勢是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動(dòng)調(diào)整興安盟建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計(jì)，從而大程度地提升瀏覽體驗(yàn)。創(chuàng)新互聯(lián)公司從事“興安盟網(wǎng)站設(shè)計(jì)”,“興安盟網(wǎng)站推廣”以來，每個(gè)客戶項(xiàng)目都認(rèn)真落實(shí)執(zhí)行。

這篇文章將為大家詳細(xì)講解有關(guān)爬蟲網(wǎng)頁內(nèi)容提取神器之xpath是什么，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

XPath 是什么？

XPath的全稱是 XML Path Language，即XML 路徑語言，是一種在XML（HTML）文檔中查找信息的語言。它有4點(diǎn)特性：

XPath 使用路徑表達(dá)式在 XML 文檔中進(jìn)行導(dǎo)航

XPath 包含一個(gè)標(biāo)準(zhǔn)函數(shù)庫

XPath 是 XSLT 中的主要元素

XPath 是一個(gè) W3C 標(biāo)準(zhǔn)我們從網(wǎng)頁中提取數(shù)據(jù)，主要應(yīng)用前兩點(diǎn)。

XPath 路徑表達(dá)式

使用XPath我們可以很容易定位到網(wǎng)頁中的節(jié)點(diǎn)，也就是找到我們關(guān)心的數(shù)據(jù)。這些路徑跟電腦目錄、網(wǎng)址的路徑很相似，通過/來表示路徑的深度。

XPath 標(biāo)注函數(shù)庫

頭內(nèi)建了100多個(gè)函數(shù)，當(dāng)然我們提取數(shù)據(jù)用到的有限，也就不用記住全部100多個(gè)函數(shù)了。

Xpath 的節(jié)點(diǎn)（Node）

XPath中的核心就是節(jié)點(diǎn)（Node），定義了7種不同類型的節(jié)點(diǎn)： 元素（Element）、屬性（Attribute）、文本（Text）、命名空間（Namespace）、處理指令（processing-instruction）、注釋（Comment）和文檔節(jié)點(diǎn)（Document nodes）

這些節(jié)點(diǎn)組成一棵節(jié)點(diǎn)樹，樹的根節(jié)點(diǎn)被稱為文檔節(jié)點(diǎn)。

其中注釋就是html里面的注釋：<!-- 注釋內(nèi)容 -->

而命名空間、處理指令和網(wǎng)頁數(shù)據(jù)提取基本沒關(guān)系，這里就不再詳述。

下面我們以一個(gè)簡單的html文檔為例，來解釋不同的節(jié)點(diǎn)及其關(guān)系。

<html>
<body>
    <div>ABC</div>
    <ul id="menu">
        <li>home</li>
        <li>python</li>
    </ul>
</body>
</html>

這段html中的節(jié)點(diǎn)有：

文檔節(jié)點(diǎn)： <html>

元素節(jié)點(diǎn)：<li class="item">python</li>

屬性節(jié)點(diǎn)： id="menu"

XPath 節(jié)點(diǎn)的關(guān)系

節(jié)點(diǎn)間的關(guān)系完全照搬人類傳宗接代的輩分關(guān)系，但只是直系關(guān)系，沒有叔叔、大伯之類的旁系關(guān)系。

還是以上面的html文檔為例來說明節(jié)點(diǎn)關(guān)系：

父（Parent）

每個(gè)元素節(jié)點(diǎn)（Element）及其屬性都有一個(gè)父節(jié)點(diǎn)。

比如，body的父是html，而body是div、ul 的父親。

子（Children）

每個(gè)元素節(jié)點(diǎn)可以有零個(gè)、一個(gè)或多個(gè)子。

比如，body有兩個(gè)子：div，ul，而ul也有兩個(gè)子：兩個(gè)li。

同輩（Sibling）

同輩有相同的父輩節(jié)點(diǎn)。

比如，div和ul是同輩。

先輩（Ancestor）

某節(jié)點(diǎn)的父輩及其以上輩分的節(jié)點(diǎn)。

比如，li的父輩有：ul、div、body、html

后代（Descendant）

某節(jié)點(diǎn)的子及其子孫節(jié)點(diǎn)。

比如，body的后代有：div、ul、li。

XPath節(jié)點(diǎn)的選取

選取節(jié)點(diǎn)，也就是通過路徑表達(dá)來實(shí)現(xiàn)。這是我們?cè)诰W(wǎng)頁提取數(shù)據(jù)時(shí)的關(guān)鍵，要熟練掌握。

下表是比較有用的路徑表達(dá)式：

表達(dá)式說明
nodename選取當(dāng)前節(jié)點(diǎn)的名為nodename的所有子節(jié)點(diǎn)。
/從根節(jié)點(diǎn)選取，在路徑中間時(shí)表示一級(jí)路徑
//從當(dāng)前節(jié)點(diǎn)開始選擇文檔中的節(jié)點(diǎn)，可以是多級(jí)路徑
.從當(dāng)前節(jié)點(diǎn)開始選取
..從父節(jié)點(diǎn)開始選取
@按屬性選取

接下來通過具體的示例來加深對(duì)路徑表達(dá)的理解：

路徑表達(dá)式解釋
/html/body/ul/li從根節(jié)點(diǎn)開始依照路徑選取li元素。返回多個(gè)。
//ul/li[1]還是選取li元素，但是路徑多級(jí)跳躍到ul/li。[1]表示只取第一個(gè)li。
//li[last()]還是選取li，但路徑更跳躍。[last()]表示取最后一個(gè)li元素。
//li[@class]選取根節(jié)點(diǎn)的名為li且有class屬性的所有后代。
//li[@class=”item”]選擇根節(jié)點(diǎn)的名為li且class屬性為item的所有后代。
//body/*/li選取body的名為li的孫子節(jié)點(diǎn)。*是通配符，表示任何節(jié)點(diǎn)。
//li[@*]選取所有帶屬性的li元素。
//body/div | //body/ul選取body的所有div和ul元素。
body/div相對(duì)路徑，選取當(dāng)前節(jié)點(diǎn)的body元素的子元素div。絕對(duì)路徑以 / 開始。

XPath函數(shù)

Xpath的函數(shù)很多，涉及到錯(cuò)誤、數(shù)值、字符串、時(shí)間等等，然而我們從網(wǎng)頁中提取數(shù)據(jù)的時(shí)候只會(huì)用到很少的一部分。其中最重要的就是字符串相關(guān)的函數(shù)，比如contains()函數(shù)。

contains(a, b)

如果字符串a(chǎn)包含字符串b，則返回true，否則返回false。

比如： contains(‘猿人學(xué)Python’, ‘Python’)，返回true

那么它用在什么時(shí)候呢？我們知道，一個(gè)html標(biāo)簽的class是可以有多個(gè)屬性值的，比如：

<div class="post-item text-red text-center">
    ...
</div>

這段html中div有三個(gè)class值，第一個(gè)表面它是一條發(fā)布的消息，后面兩個(gè)是對(duì)格式做了更多的設(shè)置。如果我們想提取網(wǎng)頁中所有發(fā)布的消息，只需要匹配到post-item 即可，這時(shí)候就可以用上contains了：

doc.xpath('//div[contains(@class, "post-item")]')

跟contains()類似的字符串匹配的函數(shù)還有：

starts-with(string1, string2) 判斷string1是否以string2開頭ends-with(string1, string2) 判斷string1是否以string2結(jié)尾matches(string, pattern) 通過正則表達(dá)式匹配

然而，在lxml的xpath中使用ends-with(), matches() 會(huì)報(bào)錯(cuò)

In [232]: doc.xpath('//ul[ends-with(@id, "u")]')
---------------------------------------------------------------------------
XPathEvalError                            Traceback (most recent call last)
<ipython-input-232-79a4afc46a75> in <module>()
----> 1 doc.xpath('//ul[ends-with(@id, "u")]')

src/lxml/etree.pyx in lxml.etree._Element.xpath()

src/lxml/xpath.pxi in lxml.etree.XPathElementEvaluator.__call__()

src/lxml/xpath.pxi in lxml.etree._XPathEvaluatorBase._handle_result()

XPathEvalError: Unregistered function

lxml 竟然不支持ends-with(), matches()函數(shù)
到lxml官方網(wǎng)站去看看，原來它說了只支持 XPath 1.0：

lxml supports XPath 1.0, XSLT 1.0 and the EXSLT extensions through libxml2 and libxslt in a standards compliant way.

關(guān)于爬蟲網(wǎng)頁內(nèi)容提取神器之xpath是什么就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。

名稱欄目：爬蟲網(wǎng)頁內(nèi)容提取神器之xpath是什么-創(chuàng)新互聯(lián)
新聞來源：http://muchs.cn/article32/dspgsc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供標(biāo)簽優(yōu)化、移動(dòng)網(wǎng)站建設(shè)、靜態(tài)網(wǎng)站、ChatGPT、App開發(fā)、品牌網(wǎng)站制作

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)

成都做網(wǎng)站