Python网络爬虫技术与实战
上QQ阅读APP看书，第一时间看更新
上一章目录下一章

3.4.2　XPath介绍

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导航遍历。XPath的选择功能十分强大，它不仅提供了非常简洁明了的路径选择表达式，还提供了超过100个内建函数用于字符串、数值、时间的匹配，以及节点、序列的处理等，几乎所有我们想要定位的节点都可以用XPath来选择。

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，在爬取过程中XPath的应用是必不可少的。

1.节点

在XPath中，有7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。XML文档树的根被称为文档节点或者根节点。

例如下面这个XML文档：

<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
<book>
    <title lang="en">Harry Potter</title>
    <author>J K. Rowling</author> 
    <year>2005</year>
    <price>29.99</price>
</book>
</bookstore>

上面的XML文档中的节点信息分解如下：

<bookstore> （文档节点）
<author>J K. Rowling</author> （元素节点）
lang="en" （属性节点）

2.基本值

基本值（或称原子值（atomic value））是无父或无子的节点。

3.项目

项目（item）是基本值或者节点。

4.节点关系

（1）父

每个元素以及属性都有一个父（parent）。在下面的例子中，book元素是title、author、year以及price元素的父：

<book>
    <title>Harry Potter</title>
    <author>J K. Rowling</author>
    <year>2005</year>
    <price>29.99</price>
</book>

（2）子

元素节点可有零个、一个或多个子（children）。在下面的例子中，title、author、year以及price元素都是book元素的子：

<book>
    <title>Harry Potter</title>
    <author>J K. Rowling</author>
    <year>2005</year>
    <price>29.99</price>
</book>

（3）同胞

同胞（sibling）即拥有相同的父的节点。在下面的例子中，title、author、year以及price元素都是同胞：

<book>
    <title>Harry Potter</title>
    <author>J K. Rowling</author>
    <year>2005</year>
    <price>29.99</price>
</book>

（4）先辈

先辈（ancestor）是某节点的父、父的父，等等。在下面的例子中，title元素的先辈是book元素和bookstore元素：

<bookstore>
<book>
    <title>Harry Potter</title>
    <author>J K. Rowling</author>
    <year>2005</year>
    <price>29.99</price>
</book>
</bookstore>

（5）后代

后代（descendant）是某节点的子、子的子，等等。在下面的例子中，bookstore的后代是book、title、author、year以及price元素：

<bookstore>
<book>
    <title>Harry Potter</title>
    <author>J K. Rowling</author>
    <year>2005</year>
    <price>29.99</price>
</book>
</bookstore>
上一章目录下一章