爬虫-xpath篇

1.xpath的基础语法

表达式	描述
nodename	选中该元素
/	从根节点选取、或者是元素和元素间的过渡
//	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
text()	选取文本

举例：

路径表达式	结果
html	选择html元素
/html	选取根元素 html。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！
/html/body/ul/li	选取属于 ul的子元素的所有 li元素
//li	选取所有 li元素，而不管它们在文档中的位置
/html//li	选择属于 html元素的后代的所有 li元素，而不管它们位于 html之下的什么位置
//li//a/@href	选择所有的li下面的a标签中的href属性的值
//li//a/text()	选择所有的li下面的a标签的文本

2. 寻找特定节点:

路径表达式	结果
//span[@class=“s2”]	选择class属性值为s2的所有span标签
//ul/li[1]	选取属于 ul子标签的第一个 li标签
//ul/li[last()]	选取属于 ul子标签的最后一个 li标签
//ul/li[last()-1]	选取属于 ul子标签的倒数第二个 li标签
//ul/li[position()>1]	选择ul下面的li标签，从第二个开始选择
//li/span/a[text()=‘无墟极道’]	选择所有li下的span标签，仅仅选择文本为 无墟极道 的a标签

敲黑板: 在xpath中，第一个元素的位置是1，最后一个元素的位置是last(),倒数第二个是last()-1

---

以上仅供参考，实用才是王道

重点在这here！！！

一.在大多数标准网站中对于文本的提取
一般只需：相对标签+class属性值
eg.提取喜马拉雅的发现页面的书名
//span[@class='v-m T_G']

1. 通过开发者工具定位一个书名的位置
   2.黄色标记部分即为所提取的内容

二.对于链接的提取一般只需：相对标签+class属性值+标签中内容所在的属性值
eg.提取喜马拉雅的发现页面的书籍封面链接
//img[@class='img _hW']/@src

1. 通过开发者工具定位一个图片链接的位置
   （如果图片没刚好定位到链接位置也会定位在临近的地方）
   2. 上方xpath右框内的内容即为所提取的封面图片链接
   （可能会不以协议名开头，浏览器访问会自动加上，如果非浏览器需要自己加上）