XPath对于八爪鱼数据采集十分重要。绝大多数的数据采集问题，都可以通过写一条正确的XPath解决。
本课将详细讲解XPath相关的问题。
一、HTML 与 XPath
我们日常浏览的网页本质上都是一个个HTML文档。打开网页后，鼠标右键打开菜单，选择【查看网页源代码】，就能看到该网站的HTML文档。网页上的数据，在其HTML文档中都有一个对应位置。
鼠标放到图片上，右键，选择【在新标签页中打开图片】可查看高清大图
下文其他图片同理
如何在HTML文档中找到想要的数据？XPath是最常用的语言。火狐浏览器的XPath工具，可以帮助普通用户在HTML文档中快速定位到想要的数据，并自动生成定位数据的XPath路径表达式。（点击查看火狐XPath工具安装与使用说明）
XPath工具装好以后，浏览器右上角会出现一个灰色的昆虫图标 
，灰色为未启用状态。点击一下图标变成彩色
，启动XPath工具，出现XPath工具面板。
点击XPath工具面板顶部左侧的 
按钮，当其状态为 
时，移动鼠标去网页上想要定位的数据位置并点击，XPath工具面板则自动生成定位的XPath路径表达式。
此时，要定位的网页数据、定位XPath、HTML文档3者的关系如下：
二、HTML、 XPath 与 八爪鱼
我用八爪鱼采数据？为什么要学XPath？很多人都有这样的疑惑。
八爪鱼采集网页数据，本质上是在HTML文档中采集数据。配置采集任务时，也是使用XPath路径表达式在HTML文档中定位想要的数据。
以配置【循环翻页】步骤为例。在网页上选中【下一页】按钮建立【循环翻页】时，八爪鱼内置的XPath工具自动将【下一页】按钮在HTML文档中的位置找出来，并生成一条XPath路径表达式，记录【下一页】按钮在HTML文档中的位置。
八爪鱼能自动生成定位XPath，为什么我们还要学XPath？还是以【循环翻页】步骤为例。大多数情况下，自动生成的定位XPath没有问题，可正常翻页。少数情况下，自动生成的定位XPath有问题，出现 “直接从第2页跳到最后1页” “在某几页之间重复翻页” 等翻页问题。这时候，我们就需要学习XPath知识，去写一条符合需求的、正确的XPath。
XPath路径表达式是通用的。由于八爪鱼中不方便查看HTML文档，我们通常使用火狐XPath工具去找到正确的XPath，然后再将其复制到八爪鱼中去。
三、认识XPath的结构
先自己自动生成几个XPath，看一下XPath结构有什么规律。几个示例XPath：
.//*[@id='subject_list']/ul/li[1]
.//*[@id='subject_list']/ul/li[1]/div[2]/p
html/body//li[@class='next']/a[1]
我们发现，XPath都具有相似的结构，都由3部分组成。
是的，XPath通过HTML标签和属性查找数据：
标签：html body ul li div p a ......
连接标签的符号：/ //
属性和属性值：[@id='subject_list'] [@class='next']
弄清楚HTML标签、属性及其组合规律，是学会写一条正确XPath的关键。
四、HTML标签、属性与XPath
通过火狐浏览器的XPath工具，我们来看一个HTML实例文档。此时HTML文档中各部分十分清楚：
浅蓝色的 html body li div p 等是标签；
深蓝色的 class id href src 等是属性；
引号中的红色部分是属性值；
黑色的文字是会直接显示在网页上的文字。
下面介绍HTML文档中最常见的标签、属性。
1、标签
① 常见标签
<a> </a> 定义超链接，用于从一张页面链接到另一张页面
<p> </p> 段落标记标签
<div> </div> 可定义文档中的区域或节、可以把文档分割为不同的部分，是一个块级元素
<li> </li> 创建列表内容项
<img> </img> 向网页中嵌入一幅图像，从网页中链接图像
<table> </table> 创建一个表格
<tr> </tr> 表格中的每一行
<td> </td> 表格中的标准单元格
② 标签之间的层级
HTML文档是树状结构，标签具有层级，标签之间具有父、子、兄弟的关系。
父（Parent）：每个标签都有一个父标签。如下图，ul标签是黄框中所有li标签的父标签。
子（Children）：一个标签可有零个、一个或多个子标签。如下图，li标签是ul标签的字标签。
兄弟（Sibling）：同级标签，拥有相同的父标签。如下图，红框中的li标签是兄弟（同级）标签。
③ 连接标签
在XPath中，HTML标签用 单斜杠 / 或 双斜杠 // 连接，两者有何不同？
示例网址：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4，我想要定位到第一本书《解忧杂货店》的标题。
/：用绝对路径定位
从根标签开始，一层一层往下定位，直到标题所在的位置，不可跨层级。
实例写法为：html/body/div[3]/div/div/div/div/ul/li[1]/div[2]/h2/a 。
可以看到，此种定位方法很死板，一旦中间的层级发生改变，整条定位XPath就失效了。比如，另一个相似网页，在ul前多了一个div，那以上XPath html/body/div[3]/div/div/div/div/ul/li[1]/div[2]/h2/a 就会失效，找不到【标题】这个目标数据。
特别说明：
a. 标签后紧跟的[1]、[2]、[3]是序号。[1]表示选择同级标签的第1个。[2]、[3]以此类推。
b. 在火狐浏览器的XPath工具中写好定位XPath以后，需按一下键盘上的【回车】键，工具就会自动定位并提示满足定位条件的结果有多少个。
//：用相对路径定位（推荐）
直接找到标题所在层级的标签和属性定位，可以跨层级。
实例写法为：//a[@title='解忧杂货店']
这种定位方法就比较灵活，因为它是直接用目标标签的属性定位的，属性一般不发生改变。还是上面那个例子，另一个相似网页，在a标签前多了一个div标签，//a[@title='解忧杂货店'] 这条XPath依旧有效，多了一个div标签并不对其造成影响。只要源码中存在 title 为 解忧杂货店 的 a 标签，就能直接定位到。
注意：因为这里是跨层级定位到a标签，所以需要用 //。如果将 // 换成 / ，XPath 写作 /a[@title='解忧杂货店']，则定位不到标题。
/ 和 // 是可以组合使用的，本质上是需要把握好标签之间的层级关系，请根据网页情况灵活使用。
2、属性
① 常见属性
class 规定元素的类名，大多数时候用于指定样式表中的类
id 唯一标识一个元素的属性，在html里面必须是唯一的
href 指定超链接目标的url
src 图像文件的url（直接复制到浏览器中，可打开图片）
关于属性，我们不用明白每一个属性的属性值到底是什么意思，只需根据定位需求，找到标签的属性/属性值的相同/不同之处，以实现精准定位。
② 属性和标签的关系
属性是用来修饰标签的。XPath中，属性和属性值有固定写法：属性放在标签后面的[ ]里，属性前加@，属性值放在引号内。
例：//li[@class='subject-item']。
这条XPath的意思是，定位HTML文档中 所有 class 属性值为 subject-item 的 li 标签。
3、常用的XPath函数
网页情况十分复杂，仅通过标签和属性，难以将我们需要的数据精准定位出来。XPath有一套XPath函数，便于我们更精准定位。
下面是一些常见XPath函数，在八爪鱼数据抓取中应用十分广泛，请大家认真学习。
在开始学习XPath函数之前，有2点特别强调：
XPath函数有其固定写法，请遵循其固定写法；
XPath中的所有符号() [] ''均为英文符号，不可用中文符号。
以下示例网址均为：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4
① text() 用文本定位位置
text()='xxx' 精确定位，引号中的内容需与HTML文档中的文本完全一样
contains(text(),'xxx') 模糊定位，HTML文档中的文本，包含引号中的内容即可
如果需要定位到此网页中的【后页>】按钮。
用 text()='xxx' 定位，则XPath为：//a[text()='后页>'] ，引号中的文本一定要为 '后页>'，如果换成 '后页' （少了一个>），则定位不到【后页>】按钮。
用 contains(text(),'xxx') 定位，则XPath为：//a[contains(text(),'后页>')] ；//a[contains(text(),'后页')] ；//a[contains(text(),'页')] ；//a[contains(text(),'后')] 均可（包含文本中相连的一段字符即可，不用全部复制）。
② contains() 用于判断文本的一部分是否包含XXX，或者属性值是否包含XXX
contains(text(),'xxx') 判断文本的一部分是否包含XXX，上面已经详细说明
contains(@class,'xxx') 判断属性值是否包含XXX
如果需要定位到此网页中的所有图书列表。
直接用属性定位，则XPath为：//li[@class='subject-item'] ，引号中的属性值一定要为 'subject-item'，跟HTML文档中的属性值完全一致。
如果用 contains(@class,'xxx') 定位 ，则XPath为：//li[contains(@class,'subject-item')]；//li[contains(@class,'subject')] 均可（包含属性中相连的一段即可，不用全部复制）。
③ position() 用于定位节点的位置和限制节点的范围
position()=1 同级标签的第1个
position()>1 and position()<10 同级标签的第2-9个
常用于控制循环列表的项。如图，//ul[@class='subject-list']/li[position()>1 and position()<10]，定位的是第2-9个li标签。
④ last() 最后1个
last() 最后1个标签
last()-1 倒数第2个标签
last()-2 倒数第3个标签
如图，//ul[@class='subject-list']/li[last()]，定位的是最后1个li标签。
⑤ and/or/not 同时满足/满足其中1个即可/无
and 且，同时满足 a[@class and @href] 既有class属性，又有href属性的a标签
or 或，满足其中1个即可 a[@class or @href] 有class属性，或者有href属性的a标签
not 无 a[not(@class)] 不含class属性的a标签
⑥ following-sibling:: 选取当前节点之后的所有同级节点
在八爪鱼中常用于数字翻页，点击查看 数字翻页教程。
如图，//span[@class="thisclass"]/following-sibling::a ，定位到span节点之后的所有同级a节点
⑦ preceding-sibling:: 选取当前节点之前的所有同级节点
如图，//a[@target='_blank']/preceding-sibling::strong ，定位到a节点之前的所有同级strong节点
五、实战演练
题1：采集以下网址，全部的列表数据。
http://newhouse.sz.fang.com/house/s/b91/?ctm=1.sz.xf_search.page.1
2、按需求编辑采集下来的字段，如图。
3、启动采集，我们发现，有非常多的重复数据。观察重复数据发现，是从第2页后开始重复的。为什么？
4、找到规则中，翻页的XPath：//a[@class="next"] ，并将其复制下来。
5、将翻页的XPath：//a[@class="next"] 复制进火狐浏览器的XPath工具中并开始调试。第1页，通过 //a[@class="next"] 定位到的是【下一页】按钮，没问题。但是第2页出问题了，通过//a[@class="next"] 定位到【上一页】和【下一页】2个按钮，因【上一页】按钮在前，会先执行前一个。因此，在第2页的时候，会点【上一页】回到第1页，翻页就无法正常进行了。
我们需要在第2页（应该说是除最后1页的所有页）都只定位到【下一页】按钮，对吧？XPath怎么改？观察第2页中，【上一页】和【下一页】按钮的源码区别。很明显，文字不同，一个是【上一页】，一个是【下一页】。
利用这个特征和XPath的 Text函数（忘了Text函数怎么用？返回本教程 3、常用的XPath函数 中查看），我们可以写出一条定位XPath：//A[text()='下一页']。将这条新的XPath，放到每一页去检查一下，发现在除最后1页的所有页中都能精准定位到【下一页】按钮，正符合我们的翻页需求。
6、将改好的这条XPath：//A[text()='下一页']，复制进八爪鱼的相应位置即可。再次启动采集，会发现正常翻页，无重复数据。
以上是一个【翻页】定位出错的实例。在实际采集数据过程中，【循环列表】、【点击元素】、【提取数据】步骤均可能定位不准。就需要我们进行错误排查并修改定位XPath。
作者：Aisling
编辑：Aisling
文章评论