2019-07-08-xpath

title	category	layout	tags	date
xpath的语法简介	python	post	python	2019-07-08 18:00:24

xpath用于XML解析，也可以用于HTML网页的解析。

对于HTML的解析概括起来就是：找到HTML中某个节点上下左右前后节点，然后对这些节点进行取值。

所以本文的思路就是介绍如何使用xpath对目标节点上下左右前后节点的选择。包括以下内容：

• 所有节点
• 根节点
• 父节点的选择
• 子节点的选择
• 前面的节点的选择
• 后面的节点的选择

语法

在正式介绍之前首先介绍的是xpath的语法。 xpath的语法和文本的路径类似，比如在ubuntu中某个路径为/home/user/data，这表示根目录下home文件夹下user文件夹下的data文件夹。同理，xpath中/表示根节点，而//表示文档中所有节点。

/node表示根下的node节点
//node表示文档中的所有node节点

所有节点

所有节点的选择通过*进行。

比如要选择某个节点下的所有节点，表示为//node/*。

父节点和子节点

父节点表示当前节点的上一级节点。比如node节点的父节点表示为//node/parent::*。 子节点表示当前节点的下一级节点。比如node节点的子节点表示为//node/child::*。

祖先节点和孙节点

祖先节点表示从根节点到当前节点的所有上级节点（不包括本节点）。比如node节点的祖先节点表示为//node/ancestor::*。 孙节点表示当前节点的所有下级节点（不包括本节点）。比如node节点的孙节点表示为//node/descendant::*。要包括本节点使用//node/descendant-or-self::*。

兄弟节点

兄弟节点表示跟当前节点同级的节点。 比如某个节点前面的所有兄弟节点（不包括本节点）//node/preceding-sibling::*。 比如某个节点后面的所有兄弟节点（不包括本节点）//node/following-sibling::*。

前后所有节点

父子节点，祖孙节点区别在于，父子节点只是对直属上下级节点的选择；祖孙节点在于从根节点到当前节点的所有节点的选择。 而前后所有节点的选择，在于除去从根节点到本节点外的所有前后节点。 前面所有节点的选择（不包括本节点）表示为//node/preceding::*。 后面所有节点的选择（不包括本节点）表示为//node/following::*。

属性操作

下面的内容介绍另一种选择节点的方法。

• //node[1]：node节点的第一个
• //node[last()]：node节点的最后一个
• //@id：包含id属性的节点
• //node[@id]：node节点中包含id属性的节点
• //node[@*]：node节点中包含属性的节点
• //node[not(@*)]：node节点中不包含属性的节点
• //node[@id='b1']：node节点中包含属性id，值为b1的节点
• //node[normalize-space(@id)='b1']：去除属性值中的空格
• //*[count(node)=2]：包含node子节点超过2的节点
• //*[name()='node']:节点名为node
• //*[starts-with(name(),'B')]：节点名以B开头
• //*[contains(name(),'C')]：节点名包含C
• //*[string-length(name()) = 3]：节点名长度等于3
• //node1 | //node2：选择node1和node2的并集