学会XPath，轻松抓取网页数据

海鸥一飞 · 发表于 2023-11-30 14:40:01

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）。

- 元素节点：表示XML或HTML文档中的元素。例如，在HTML文档中，<body>、<div>、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。
- 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。
- 文本节点：表示XML或HTML文档中的文本内容。例如，在HTML文档中，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()表示选择所有元素中的文本内容。
- 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。
- 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。
- 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。
- 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。

复制代码

本文使用XML示例如下

<bookstore>
<book category='fiction'>
<title>活着</title>
<author>余华</author>
<press>作家出版社</press>
<date>2012-8-1</date>
<page>191</page>
<price>20.00</price>
<staple>平装</staple>
<series>余华作品（2012版）</series>
<isbn>9787506365437</isbn>
</book>
<book category='non-fiction'>
<title>撒哈拉的故事</title>
<author>三毛</author>
<press>哈尔滨出版社</press>
<date>2003-8</date>
<page>217</page>
<price>15.80</price>
<staple>平装</staple>
<series>三毛全集（华文天下2003版）</series>
<isbn>9787806398791</isbn>
</book>
<book category='non-fiction'>
<title>明朝那些事儿（1-9）</title>
<author>当年明月</author>
<press>中国海关出版社</press>
<date>2009-4</date>
<page>2682</page>
<price>358.20</price>
<staple>精装16开</staple>
<series>明朝那些事儿（典藏本）</series>
<isbn>9787801656087</isbn>
</book>
</bookstore>

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

// XML 文档内容
string xmlContent = @"
<bookstore>
<book category='fiction'>
<title>活着</title>
<author>余华</author>
<press>作家出版社</press>
<date>2012-8-1</date>
<page>191</page>
<price>20.00</price>
<staple>平装</staple>
<series>余华作品（2012版）</series>
<isbn>9787506365437</isbn>
</book>
<book category='non-fiction'>
<title>撒哈拉的故事</title>
<author>三毛</author>
<press>哈尔滨出版社</press>
<date>2003-8</date>
<page>217</page>
<price>15.80</price>
<staple>平装</staple>
<series>三毛全集（华文天下2003版）</series>
<isbn>9787806398791</isbn>
</book>
<book category='non-fiction'>
<title>明朝那些事儿（1-9）</title>
<author>当年明月</author>
<press>中国海关出版社</press>
<date>2009-4</date>
<page>2682</page>
<price>358.20</price>
<staple>精装16开</staple>
<series>明朝那些事儿（典藏本）</series>
<isbn>9787801656087</isbn>
</book>
</bookstore>";
// 创建 XPath 文档
using (XmlReader reader = XmlReader.Create(new StringReader(xmlContent)))
{
XPathDocument xpathDoc = new XPathDocument(reader);
// 创建 XPath 导航器
XPathNavigator navigator = xpathDoc.CreateNavigator();
// 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）
string xpathExpression = "//bookstore/book[@category='fiction']/title";
XPathNodeIterator nodes = navigator.Select(xpathExpression);
// 检查是否有匹配的节点
if (nodes != null)
{
// 遍历结果
while (nodes.MoveNext())
{
// 检查当前节点是否为空
if (nodes.Current != null)
{
Console.WriteLine(nodes.Current.Value);
}
}
}
}

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。

oliver.tang · 发表于 2024-1-30 16:12:05

感谢分享

		自动登录	找回密码
密码			(注-册)加入51Testing

[转贴] 学会XPath，轻松抓取网页数据

站长推荐 /1