Scrapy爬虫札记【3-XPaths】
1 XPaths
1.1节点(Node)
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。
请看下面这个 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文档中的节点例子:
<bookstore> (文档节点)
<author>J K. Rowling</author> (元素节点)
lang="en" (属性节点)
基本值(或称原子值,Atomic value)
基本值是无父或无子的节点。
基本值的例子:
J K. Rowling
"en"
项目(Item)
项目是基本值或者节点。
1.2 选取节点
XML 实例文档
我们将在下面的例子中使用这个 XML 文档。
<?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>
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。
下面列出了最有用的路径表达式:
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。 |
一些例子:
表达式 |
引用 |
---|---|
./author |
当前上下文中的所有 <author> 元素。 注意,此表达式等效于下一行中的表达式。 |
author |
当前上下文中的所有 <author> 元素。 |
first.name |
当前上下文中的所有 <first.name> 元素。 |
/bookstore |
此文档的文档元素 (<bookstore>)。 |
//author |
文档中的所有 <author> 元素。 |
book[/bookstore/@specialty=@style] |
style 属性值等于文档根处 <bookstore> 元素的 specialty 属性值的所有 <book> 元素。 |
author/first-name |
作为 <author> 元素子级的所有 <first-name> 元素。 |
bookstore//title |
<bookstore> 元素中一级或多级深度的所有 <title> 元素(任意后代)。 注意,此表达式不同于下一行中的表达式。 |
bookstore/*/title |
作为 <bookstore> 元素的孙代的所有 <title> 元素。 |
bookstore//book/excerpt//emph |
位于 <book> 元素的 <excerpt> 子级内任意位置和位于 <bookstore> 元素内任意位置的所有 <emph> 元素。 |
.//title |
当前上下文中一级或多级深度的所有 <title> 元素。 注意,本质上只有这种情况需要句点表示法。 |
author/* |
作为 <author> 元素子级的所有元素。 |
book/*/last-name |
作为 <book> 元素孙级的 <last-name> 所有元素。 |
*/* |
当前上下文的所有孙级元素。 |
*[@specialty] |
具有 specialty 属性的所有元素。 |
@style |
当前上下文的 style 属性。 |
price/@exchange |
当前上下文中 <price> 元素上的 exchange 属性。 |
price/@exchange/total |
返回空节点集,因为属性不包含元素子级。 XML 路径语言 (XPath) 语法允许使用此表达式,但是严格意义上讲无效。 |
book[@style] |
当前上下文的具有 style 属性的 <book> 所有元素。 |
book/@style |
当前上下文的所有 <book> 元素的 style 属性。 |
@* |
当前元素上下文的所有属性。 |
./first-name |
当前上下文节点中的所有 <first-name> 元素。 请注意,这等效于下一行中的表达式。 |
first-name |
当前上下文节点中的所有 <first-name> 元素。 |
author[1] |
当前上下文节点中的第一个 <author> 元素。 |
author[first-name][3] |
具有 <first-name> 子级的第三个 <author> 元素。 |
my:book |
my 命名空间中的 <book> 元素。 |
my:* |
my 命名空间中的所有元素。 |
@my:* |
my 命名空间中的所有属性(不包括 my 命名空间中的元素的未限定属性)。 |
另外补充:
1、要直接使用Selector返回的数据,需要以“.”开头
例子: divs = sel.xpath(’//div’)
要查找<div>中的<p>
错误的写法:
for p in divs.xpath(’//p’) # this is wrong - gets all <p> from the whole document
print p.extract()
正确的写法
for p in divs.xpath(’.//p’) # extracts all <p> inside
print p.extract()
另外一种情况是直接获取所有的子 <p>
for p in divs.xpath(’p’)
print p.extract()
2
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
in[1]: sel = Selector(text=doc, type="html")
in[2]: sel.xpath(’//li//@href’).extract()
out[1]: [u’link1.html’, u’link2.html’, u’link3.html’, u’link4.html’, u’link5.html’]
in[3]: sel.xpath(’//li[re:test(@class, "item-\d$")]//@href’).extract()
out[2]:[u’link1.html’, u’link2.html’, u’link4.html’, u’link5.html’]
在Scrapy中的命令行中的selector常常会用到这个Xpath 来检验爬到网页数据
- /html/head/title: 选择HTML文档<head>元素下面的<title> 标签。
- /html/head/title/text(): 选择前面提到的<title> 元素下面的文本内容
- //td: 选择所有 <td> 元素
- //div[@class="mine"]: 选择所有包含 class="mine" 属性的div 标签元素
Selectors 有三种方法
- path():返回selectors列表, 每一个select表示一个xpath参数表达式选择的节点.
- extract():返回一个unicode字符串,该字符串为XPath选择器返回的数据
- re(): 返回unicode字符串列表,字符串作为参数由正则表达式提取出来
By the way :
刚开始用Xpath,觉得不怎么方便,似乎还没有正则表达式来得快,后来才记起
//title[@lang='eng']选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。
有了这个,效率提高不少
另外extract()这个方法是返回Unicode,所以看不到中文,用Unicode转换器对比一下,就知道我们是否爬到了我们想要的蚊子
下面是爬糗事百科上面的文字:
参考:
1、http://www.w3school.com.cn/xpath/xpath_syntax.asp
2、http://www.cnblogs.com/txw1958/archive/2012/07/16/scrapy-tutorial.html