51Testing软件测试论坛

标题: 学会XPath,轻松抓取网页数据 [打印本页]

作者: 海鸥一飞    时间: 2023-11-30 14:40
标题: 学会XPath,轻松抓取网页数据
一、定义
XPath(XML Path Language)是一种用于在 XML 文档中定位和选择节点的语言。XPath的选择功能非常强大,可以通过简单的路径选择语法,选取文档中的任意节点或节点集。学会XPath,可以轻松抓取网页数据,提高数据获取效率。
二、XPath基础语法
节点(Nodes): XML 文档的基本构建块,可以是元素、属性、文本等。
路径表达式: 用于定位 XML 文档中的节点。路径表达式由一系列步骤组成,每个步骤用斜杠 / 分隔。
XPath的节点是指在XML或HTML文档中被选择的元素或属性。XPath中有7种类型的节点,包括元素节点、属性节点、文本节点、命名空间节点、处理指令节点、注释节点以及文档节点(或称为根节点)。
  1. <font size="3">- 元素节点:表示XML或HTML文档中的元素。例如,在HTML文档中,<body>、<div>、<p>等都是元素节点。在XPath中,可以使用元素名称来选择元素节点,例如://div表示选择所有的<div>元素。

  2. - 属性节点:表示XML或HTML文档中元素的属性。例如,在HTML文档中,元素的class、id、src等属性都是属性节点。在XPath中,可以使用@符号来选择属性节点,例如://img/@src表示选择所有<img>元素的src属性。

  3. - 文本节点:表示XML或HTML文档中的文本内容。例如,在HTML文档中,<p>标签中的文本内容就是文本节点。在XPath中,可以使用text()函数来选择文本节点,例如://p/text()表示选择所有<p>元素中的文本内容。

  4. - 命名空间节点:表示XML文档中的命名空间。命名空间是一种避免元素命名冲突的方法。在XPath中,可以使用namespace轴来选择命名空间节点,例如://namespace::*表示选择所有的命名空间节点。

  5. - 处理指令节点:表示XML文档中的处理指令。处理指令是一种用来给处理器传递指令的机制。在XPath中,可以使用processing-instruction()函数来选择处理指令节点,例如://processing-instruction('xml-stylesheet')表示选择所有的xml-stylesheet处理指令节点。

  6. - 注释节点:表示XML或HTML文档中的注释。注释是一种用来添加说明和备注的机制。在XPath中,可以使用comment()函数来选择注释节点,例如://comment()表示选择所有的注释节点。

  7. - 文档节点:表示整个XML或HTML文档。文档节点也被称为根节点。在XPath中,可以使用/符号来选择文档节点,例如:/表示选择整个文档节点。
  8. </font>
复制代码
本文使用XML示例如下
  1. <font size="3"><font size="3"><bookstore>
  2.     <book category='fiction'>
  3.         <title>活着</title>
  4.         <author>余华</author>
  5.         <press>作家出版社</press>
  6.         <date>2012-8-1</date>
  7.         <page>191</page>
  8.         <price>20.00</price>
  9.         <staple>平装</staple>
  10.         <series>余华作品(2012版)</series>
  11.         <isbn>9787506365437</isbn>
  12.     </book>
  13.     <book category='non-fiction'>
  14.         <title>撒哈拉的故事</title>
  15.         <author>三毛</author>
  16.         <press>哈尔滨出版社</press>
  17.         <date>2003-8</date>
  18.         <page>217</page>
  19.         <price>15.80</price>
  20.         <staple>平装</staple>
  21.         <series>三毛全集(华文天下2003版)</series>
  22.         <isbn>9787806398791</isbn>
  23.     </book>
  24.     <book category='non-fiction'>
  25.         <title>明朝那些事儿(1-9)</title>
  26.         <author>当年明月</author>
  27.         <press>中国海关出版社</press>
  28.         <date>2009-4</date>
  29.         <page>2682</page>
  30.         <price>358.20</price>
  31.         <staple>精装16开</staple>
  32.         <series>明朝那些事儿(典藏本)</series>
  33.         <isbn>9787801656087</isbn>
  34.     </book>
  35. </bookstore>
  36. </font></font>
复制代码

除了这些基本节点类型之外,XPath还支持使用通配符:
通配符
描述
示例
*
匹配任何元素节点
//book/* 选取<book>元素下的任意子元素节点
@*
匹配任何属性节点
//book/@* 选取<book>元素上的任意属性节点,如<book category='fiction'>中的category属性
node()
匹配任何类型的节点
//book/node() 选取<book>元素下的所有类型的子节点,包括元素节点、文本节点、注释节点等

以及使用谓词来进一步筛选选择的节点集。谓词是一种用来对节点进行过滤和排序的机制,可以包含比较运算符、逻辑运算符和函数等,部分示例如下:

谓语
描述
示例
[position()=n]
选取位于指定位置的节点。n 是节点的位置(从 1 开始计数)
//book[position()=1] 选取第一个<book>元素
[last()=n]
选取位于指定位置的最后一个节点。n 是节点的位置(从 1 开始计数)
//book[last()=1] 选取最后一个<book>元素
[contains(string, substring)]
选取包含指定子字符串的节点。string 是节点的文本内容,substring 是要查找的子字符串
//book[contains(title, 'XML')] 选取标题中包含子字符串'XML'的<book>元素
[starts-with(string, prefix)]
选取以指定前缀开始的节点。string 是节点的文本内容,prefix 是要匹配的前缀字符串
//book[starts-with(title, 'The')] 选取标题以'The'开始的<book>元素
[text()=string]
选取文本内容完全匹配的节点。string 是要匹配的文本内容
//book[text()='Book Title'] 选取文本内容为'Book Title'的<book>元素
[@category='non-fiction']
选取具有指定属性值的节点。category 是属性名称,non-fiction 是要匹配的值
//book[@category='non-fiction'] 选取具有属性category值为'non-fiction'的<book>元素

XPath使用路径表达式来选取XML或HTML文档中的节点或节点集。下面是一些常用的路径表达式:

表达式
描述
示例
nodename
选取此节点的所有子节点
//bookstore/book 选取<bookstore>元素下所有<book>子元素
/
从根节点选取直接子节点
/bookstore 从根节点选取<bookstore>元素
//
从当前节点选取子孙节点
//book 选取所有<book>元素,无论它们在文档中的位置
.
选取当前节点
./title 选取当前节点的<title>子元素
..
选取当前节点的父节点
../price 选取当前节点的父节点的<price>子元素
@
选取属性
//book/@id 选取所有<book>元素的id属性

三、XPath使用示例
选择所有名称为title的节点://title
选择所有名称为title,同时属性lang的值为eng的节点://title[@lang='eng']
选择id为bookstore的节点的所有子节点:/bookstore/*
选择id为bookstore的节点的所有子孙节点:/bookstore//*
选择id为bookstore的节点的直接子节点中的第一个节点:/bookstore/*[1]
选择id为bookstore的节点的属性为category的值:/bookstore/@category
四、XPath的高级用法
XPath语言提供了一些高级的功能,包括:
轴(Axes):XPath提供了几种轴,用于在文档中导航。包括child(子元素)、ancestor(祖先元素)、descendant(后代元素)和following-sibling(后续同级元素)等。
函数:XPath提供了一些内置的函数,如count(),concat(),string(),local-name(),contains(),not(),string-length()等,可以用于处理和操作节点和属性3。
条件语句:XPath提供了条件语句(如if-else语句),使得我们可以根据某些条件来选择性地提取元素或属性3。
五、.NET中使用
  1. <font size="3"><font size="3">// XML 文档内容
  2. string xmlContent = @"
  3.             <bookstore>
  4.                 <book category='fiction'>
  5.                     <title>活着</title>
  6.                     <author>余华</author>
  7.                     <press>作家出版社</press>
  8.                     <date>2012-8-1</date>
  9.                     <page>191</page>
  10.                     <price>20.00</price>
  11.                     <staple>平装</staple>
  12.                     <series>余华作品(2012版)</series>
  13.                     <isbn>9787506365437</isbn>
  14.                 </book>
  15.                 <book category='non-fiction'>
  16.                     <title>撒哈拉的故事</title>
  17.                     <author>三毛</author>
  18.                     <press>哈尔滨出版社</press>
  19.                     <date>2003-8</date>
  20.                     <page>217</page>
  21.                     <price>15.80</price>
  22.                     <staple>平装</staple>
  23.                     <series>三毛全集(华文天下2003版)</series>
  24.                     <isbn>9787806398791</isbn>
  25.                 </book>
  26.                 <book category='non-fiction'>
  27.                     <title>明朝那些事儿(1-9)</title>
  28.                     <author>当年明月</author>
  29.                     <press>中国海关出版社</press>
  30.                     <date>2009-4</date>
  31.                     <page>2682</page>
  32.                     <price>358.20</price>
  33.                     <staple>精装16开</staple>
  34.                     <series>明朝那些事儿(典藏本)</series>
  35.                     <isbn>9787801656087</isbn>
  36.                 </book>
  37.             </bookstore>";

  38. // 创建 XPath 文档
  39. using (XmlReader reader = XmlReader.Create(new StringReader(xmlContent)))
  40. {
  41.     XPathDocument xpathDoc = new XPathDocument(reader);

  42.     // 创建 XPath 导航器
  43.     XPathNavigator navigator = xpathDoc.CreateNavigator();

  44.     // 使用 XPath 查询(选择所有位于bookstore下、其category属性值为'fiction'的book元素中的title元素)
  45.     string xpathExpression = "//bookstore/book[@category='fiction']/title";
  46.     XPathNodeIterator nodes = navigator.Select(xpathExpression);

  47.     // 检查是否有匹配的节点
  48.     if (nodes != null)
  49.     {
  50.         // 遍历结果
  51.         while (nodes.MoveNext())
  52.         {
  53.             // 检查当前节点是否为空
  54.             if (nodes.Current != null)
  55.             {
  56.                 Console.WriteLine(nodes.Current.Value);
  57.             }
  58.         }
  59.     }
  60. }
  61. </font></font>
复制代码
运行结果
六、XPath在自动化测试中的应用
XPath最常用的场景之一就是在自动化测试中用来选择HTML DOM节点。例如,在Selenium自动化测试中,可以使用XPath作为选择web元素的主要方法之一。通过XPath选择器,可以方便地定位页面中的任意元素,进行自动化测试操作。
七、XPath的优势与不足
XPath的优势在于其强大的选择功能,可以通过简单的路径选择语法,选取文档中的任意节点或节点集。此外,XPath还支持超过100个内建函数,可用于字符串处理、数值计算、日期和时间比较等等。这些函数可以大大提高数据处理的效率。
然而,XPath也有其不足之处。首先,XPath对于复杂的文档结构可能会变得非常复杂,导致选择语句难以理解和维护。其次,XPath在处理大量数据时可能会出现性能问题,因为它需要遍历整个文档来查找匹配的节点。因此,在使用XPath时需要注意优化查询语句,提高查询效率。
八、总结
学会XPath,可以轻松抓取网页数据,提高数据获取效率。本文介绍了XPath的定义、基础语法、使用示例、高级用法、.NET中使用举例以及在自动化测试中的应用场景,同时也讨论了XPath的优势与不足。希望本文能够帮助读者更好地理解和掌握XPath的使用方法。


作者: oliver.tang    时间: 2024-1-30 16:12
感谢分享




欢迎光临 51Testing软件测试论坛 (http://bbs.51testing.com/) Powered by Discuz! X3.2