来源：http://www.cnblogs.com/lonenysky/p/4649455.html
python爬虫xpath的语法
有朋友问我正则，，okey，其实我的正则也不好，但是python下xpath是相对较简单的
简单了解一下xpath：
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遍历。
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，对 XPath 的理解是很多高级 XML 应用的基础。
这个是w3c上关于xpath的介绍，可以看出xpath是在xml文档中查询信息的语言
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。
根节点在xpath中可以用“//”来啊表示
XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
接下来一个例子
<?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>
这个是基本的语法（掌握了这些基本都可以抓取到）：
| 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。 |
这些就是xpath的语法内容
在运用到python抓取时要先转换为xml
Import lxml #首先要先导入库
etree.HTML() #这个就是转换为xml的python的语法，HTML括号内填入目标站点的源码，可以参照另一篇博文，《爬虫下载百度贴吧图片》 之后各位就可以抓取指定的内容了
XPath 选取节点时使用的表达式是一种路径表达式。节点是通过路径（path）或者步（steps）来选取的。
本章使用以下 XML 文档作为示例。
<?xml version="1.0" encoding="utf8"?> <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>
选取节点
以下为基本路径的表达方式，记住 XPath 的路径表达式都是基于某个节点之上的，例如最初的当前节点一般是根节点，这与 Linux 下路径切换原理是一样的。
| 表达式 | 描述 |
| nodename | 选取已匹配节点下名为 nodename 的子元素节点。 |
| / | 如果以 / 开头，表示从根节点作为选取起点。 |
| // | 在已匹配节点后代中选取节点，不考虑目标节点的位置。 |
| . | 选取当前节点。 |
| .. | 选取当前节点的父元素节点。 |
| @ | 选取属性。 |
>>> from lxml import etree >>> xml = """<?xml version="1.0" encoding="utf8"?> <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>""" # 得到根节点 >>> root = etree.fromstring(xml) >>> print root <Element bookstore at 0x2c9cc88> # 选取所有book子元素 >>> root.xpath('book') [<Element book at 0x2d88878>, <Element book at 0x2d888c8>] # 选取根节点bookstore >>> root.xpath('/bookstore') [<Element bookstore at 0x2c9cc88>] # 选取所有book子元素的title子元素 >>> root.xpath('book/title') [<Element title at 0x2d88878>, <Element title at 0x2d888c8>] # 以根节点为始祖，选取其后代中的title元素 >>> root.xpath('//title') [<Element title at 0x2d88878>, <Element title at 0x2d888c8>] # 以book子元素为始祖，选取后代中的price元素 >>> root.xpath('book//price') [<Element price at 0x2ca20a8>, <Element price at 0x2d88738>] # 以根节点为始祖，选取其后代中的lang属性值 >>> root.xpath('//@lang') ['eng', 'eng']
预判（Predicates）
预判是用来查找某个特定的节点或者符合某种条件的节点，预判表达式位于方括号中。
# 选取bookstore的第一个book子元素 >>> root.xpath('/bookstore/book[1]') [<Element book at 0x2ca20a8>] # 选取bookstore的最后一个book子元素 >>> root.xpath('/bookstore/book[last()]') [<Element book at 0x2d88878>] # 选取bookstore的倒数第二个book子元素 >>> root.xpath('/bookstore/book[last()-1]') [<Element book at 0x2ca20a8>] # 选取bookstore的前两个book子元素 >>> root.xpath('/bookstore/book[position()<3]') [<Element book at 0x2ca20a8>, <Element book at 0x2d88878>] # 以根节点为始祖，选取其后代中含有lang属性的title元素 >>> root.xpath('//title[@lang]') [<Element title at 0x2d888c8>, <Element title at 0x2d88738>] # 以根节点为始祖，选取其后代中含有lang属性并且值为eng的title元素 >>> root.xpath("//title[@lang='eng']") [<Element title at 0x2d888c8>, <Element title at 0x2d88738>] # 选取bookstore子元素book，条件是book的price子元素要大于35 >>> root.xpath("/bookstore/book[price>35.00]") [<Element book at 0x2ca20a8>] # 选取bookstore子元素book的子元素title，条件是book的price子元素要大于35 >>> root.xpath("/bookstore/book[price>35.00]/title") [<Element title at 0x2d888c8>]
通配符
| 通配符 | 描述 |
| * | 匹配任何元素。 |
| @* | 匹配任何属性。 |
| node() | 匹配任何类型的节点。 |
# 选取 bookstore 所有子元素 >>> root.xpath('/bookstore/*') [<Element book at 0x2d888c8>, <Element book at 0x2ca20a8>] # 选取根节点的所有后代元素 >>> root.xpath('//*') [<Element bookstore at 0x2c9cc88>, <Element book at 0x2d888c8>, <Element title at 0x2d88738>, <Element price at 0x2d88878>, <Element book at 0x2ca20a8>, <Element title at 0x2d88940>, <Element price at 0x2d88a08>] # 选取根节点的所有具有属性节点的title元素 >>> root.xpath('//title[@*]') [<Element title at 0x2d88738>, <Element title at 0x2d88940>] # 选取当前节点下所有节点。'\n ' 是文本节点。 >>> root.xpath('node()') ['\n ', <Element book at 0x2d888c8>, '\n ', <Element book at 0x2d88878>, '\n'] # 选取根节点所有后代节点，包括元素、属性、文本。 >>> root.xpath('//node()') [<Element bookstore at 0x2c9cc88>, '\n ', <Element book at 0x2d888c8>, '\n ', <Element title at 0x2d88738>, 'Harry Potter', '\n ', <Element price at 0x2d88940>, '29.99', '\n ', '\n ', <Element book at 0x2d88878>, '\n ', <Element title at 0x2ca20a8>, 'Learning XML', '\n ', <Element price at 0x2d88a08>, '39.95', '\n ', '\n']
或条件选取
使用 "|" 运算符，你可以选取符合“或”条件的若干路径。
# 选取所有book的title元素或者price元素 >>> root.xpath('//book/title|//book/price') [<Element title at 0x2d88738>, <Element price at 0x2d88940>, <Element title at 0x2ca20a8>, <Element price at 0x2d88a08>] # 选择所有title或者price元素 >>> root.xpath('//title|//price') [<Element title at 0x2d88738>, <Element price at 0x2d88940>, <Element title at 0x2ca20a8>, <Element price at 0x2d88a08>] # 选择book子元素title或者全部的price元素 >>> root.xpath('/bookstore/book/title|//price') [<Element title at 0x2d88738>, <Element price at 0x2d88940>, <Element title at 0x2ca20a8>, <Element price at 0x2d88a08>]
