Xpath基本语法
一、常用的路径表达式：
|
表达式 |
描述 |
实例 |
|
nodename |
选取nodename节点的所有子节点 |
//div |
|
/ |
从根节点选取 |
/div |
|
// |
选取所有的节点，不考虑他们的位置 |
//div |
|
. |
选取当前节点 |
./div |
|
.. |
选取当前节点的父节点 |
.. |
|
@ |
选取属性 |
//@calss |
举例元素标签为artical标签
|
语法 |
说明 |
|
artical |
选取所有artical元素的子节点 |
|
/artical |
选取根元素artical |
|
./artical |
选取当前元素下的artical |
|
../artical |
选取父元素下的artical |
|
artical/a |
选取所有属于artical的子元素a元素 |
|
//div |
选取所有div 子元素，无论div在任何地方 |
|
artical//div |
选取所有属于artical的div 元素,无论div元素在artical的任何位置 |
|
//@class |
选取所有名为class 的属性的 |
|
a/@href |
选取a标签的href属性 |
|
a/text() |
选取a标签下的文本 |
|
string(.) |
解析出当前节点下所有文字 |
|
string(..) |
解析出父节点下所有文字 |
二、谓语
谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点
|
语法 |
说明 |
|
/artical/div[1] |
选取所有属于artical 子元素的第一个div元素 |
|
/artical/div[last()] |
选取所有属于artical子元素的最后一个div元素 |
|
/artical/div[last()-1] |
选取所有属于artical子元素的倒数第2个div元素 |
|
/artical/div[position()<3] |
选取所有属于artical子元素的前2个div元素 |
|
//div[@class] |
选取所有拥有属性为class的div节点 |
|
//div[@class=”main”] |
选取所有div下class属性为main的div节点 |
|
//div[price>3.5] |
选取所有div下元素值price大于3.5的节点 |
三、通配符
Xpath通过通配符来选取未知的XML元素
|
表达式 |
结果 |
|
//* |
选取所有元素 |
|
//div/* |
选取所有属于div元素的所有子节点 |
|
//div[@*] |
选取所有带属性的元素 |
四、取多个路径
使用“|”运算符可以选取多个路径
|
表达式 |
结果 |
|
//div | //table |
选取文档中所有的div和table节点 |
|
//div/a | //div/p |
选取所有div元素的a和p 元素 |
|
artical/div/pl | //span |
选取所有div下的pl和文档中所有span |
五、Xpath轴
轴可以定义相对于当前节点的节点集
|
轴名称 |
表达式 |
描述 |
|
ancestor |
./ancestor::* |
选取当前节点的所有先辈节点（父、祖父） |
|
ancestor-or-self |
./ancestor-or-self::* |
选取当前节点的所有先辈节点以及节点本身 |
|
descendant |
./descendant::* |
返回当前节点的所有后代节点（子节点、孙节点） |
|
child |
./child::* |
返回当前节点的所有子节点 |
|
parent |
./parent::* |
选取当前节点的父节点 |
|
following |
./following::* |
选取文档中当前节点结束标签后的所有节点 |
|
following-sibling |
./following-sibling::* |
选取当前节点之后的兄弟节点 |
|
preceding |
./preceding::* |
选取文档中当前节点开始标签前的所有节点 |
|
preceding-sibling |
./preceding-sibling::* |
选取当前节点之前的兄弟节点 |
|
self |
./self::* |
选取当前节点 |
|
attribute |
./attribute::* |
选取当前节点的所有属性 |
六、功能函数
使用功能函数能够更好的进行模糊搜索
|
函数 |
用法 |
解释 |
|
starts-with |
//div[starts-with(@id,”ma”)] |
选取id值以ma开头的div节点 |
|
contains |
//div[contains(@id,”ma”)] |
选取所有id值包含ma的div节点 |
|
and |
//div[contains(@id,”ma”) and contains(@id,”in”)] |
选取id值包含ma和in的div节点 |
|
text() |
//div[contains(text(),”ma”)] |
选取节点文本包含ma的div节点 |
注意事项：
1) 按照审查元素的写法不一定正确，要按照网页源码的才行
因为不一样，网页源码才是你看到的
2) 浏览器有自带的复制xpath功能，firefox下载firebug插件
3) xpath有c的速度，所以按照[@class=""]准确性较高
CCS选择器语法
|
语法 |
说明 |
|
* |
选择所有节点 |
|
#container |
选择id为container的节点 |
|
.container |
选择所有class包含container的节点 |
|
div,p |
选择所有 div 元素 |
|
li a |
选取所有li 下所有a节点 |
|
ul + p |
选取ul后面的第一个p元素 |
|
div#container > ul |
选取id为container的div的第一个ul子元素 |
|
ul ~p |
选取与ul相邻的所有p元素 |
|
a[title] |
选取所有有title属性的a元素 |
|
a[href=”http://”] |
选取所有href属性为http://的a元素 |
|
a[href*=”baidu”] |
选取所有href属性值中包含baidu的a元素 |
|
a[href^=”http”] |
选取所有href属性值中以http开头的a元素 |
|
a[href$=”.jpg”] |
选取所有href属性值中以.jpg结尾的a元素 |
|
input[type=radio]:checked |
选择选中的radio的元素 |
|
div:not(#container) |
选取所有id为非container 的div属性 |
|
li:nth-child(3) |
选取第三个li元素 |
|
li:nth-child(2n) |
选取第偶数个li元素 |
|
a::attr(href) |
选取a标签的href属性 |
|
a::text |
选取a标签下的文本 |
提取内容
|
方法 |
返回 |
|
Selector.xpath() |
返回SelectorList对象 |
|
Selector.css() |
返回SelectorList对象 |
|
SelectorList.extract() |
返回List对象 |
|
SelectorList.extract_first(default) |
返回String对象，可以有默认值，类似dict.get(key, default) |
参考链接：
- 三、用Css来提取网页
- Python爬虫：Xpath语法笔记
