篇三：XPath--解析Html

導語：爬蟲爬取的界面，大致分為靜態界面、ajax異步加載、動態界面。靜態界面直接獲取HTML對象，然后使用XPath獲取值

最有用的路徑表達式：

表達式	描述
nodename	選取此節點的所有子節點。
/	從根節點選取。
//	從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。
.	選取當前節點。
..	選取當前節點的父節點。
@	選取屬性。

 

一、獲取HTML對象

//import us.codecraft.webmagic.selector.Html;
Html html= page.getHtml();

二、常用列舉

//查詢所有id=‘ne_article_source’的節點的文本值
String source=page.getHtml().xpath("//*[@id='ne_article_source']/text()").get();

//查詢所有id=‘endText’下p節點的文本，查詢的是列表
List<String> contextList=page.getHtml().xpath("//*[@id='endText']/p/text()").all();

//查詢所有id='endText'下p包含的圖片的src列表
List<String> imgurlList=page.getHtml().xpath("//*[@id='endText']/p/img/@src").all();

//查詢所有id='endText'下p包含的圖片對象列表
List<String> imgurlList=page.getHtml().xpath("//*[@id='endText']/p/img").all();

三、實際應用

　　1、直接使用瀏覽器調試工具，獲取元素XPath

　　　  Google:http://blog.csdn.net/li6727975/article/details/46126079

　　　  FireFox：http://jingyan.baidu.com/article/0a52e3f4345772bf62ed72b1.html

　　　  360:F12-->Elements-->選中元素，右鍵“Copy XPath”

　　2、學習地址：http://www.w3school.com.cn/xpath/xpath_syntax.asp