python爬虫xpath的语法

hotnet

　　有朋友问我正则，，okey，其实我的正则也不好，但是python下xpath是相对较简单的
　　简单了解一下xpath：
　　XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。
　　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。
　　因此，对 XPath 的理解是很多高级 XML 应用的基础。
　　这个是w3c上关于xpath的介绍，可以看出xpath是在xml文档中查询信息的语言
　　
　　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。
　　根节点在xpath中可以用“//”来啊表示
　　XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
　　接下来一个例子

　　

<?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>

这个是基本的语法（掌握了这些基本都可以抓取到）：

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。





实例
　　在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

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。



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

实例
　　在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

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。



选取未知节点
　　XPath 通配符可用来选取未知的 XML 元素。

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。

实例
　　在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

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。

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

实例
　　在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

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。


　　
　　这些就是xpath的语法内容
　　在运用到python抓取时要先转换为xml
　　Import lxml 　　　　　　#首先要先导入库

etree.HTML()　　　　#这个就是转换为xml的python的语法，HTML括号内填入目标站点的源码，可以参照另一篇博文，《爬虫下载百度贴吧图片》
之后各位就可以抓取指定的内容了