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）。

- 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。- 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，<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。- 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。

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>

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);}}}
}