抓取网页数据工具Xpath提取示例

yangjielewell

   我们在使用抓取网页数据工具火车采集器时，经常会用到不同的数据提取方式，除了前后截取、正文提取、正则提取之外，Xpath提取也是常用的一种。XPath是一门在 HTML/XML 文档中查找信息的语言，XPath使用路径表达式在XML文档中进行导航，可以通过FireFox firebug 或者Chrome 开发者工具快速获取。下面就详细地演示下抓取网页数据工具火车采集器的Xpath提取示例。

XPath节点属性

innerHTML：获取位于对象起始和结束标签内的 HTML (HTML代码，不包含开始/结束代码)

innerText：获取位于对象起始和结束标签内的文本 (文本字段，不包含开始/结束代码)

outerHTML：获取对象及其内容的HTML形式 (HTML代码，包含开始/结束代码)

Href：获取超链接

    以网址http://faq.locoy.com/q-682.html为例，我们来设置标题和内容的XPath表达式，这里的节点属性我们默认为innerHTML就可以了，以下是操作步骤的内容。

1、首先，我们用谷歌浏览器打开上面的网页，然后打开Chrome开发者工具，打开开发者工具的快捷键是 “ F12 ”，反复按下F12可以切换状态（打开或关闭）。如果在原网页中，直接右击选择“审查元素”也是可以的。

2、获取标题的XPath，操作如下图：

  按照图标箭头的顺序，先点击查找选中标题，右击代码中的选中部分，点击copy xpath，可得出代码为 //*[@id="mainContent"]/div[2]/h2  

3、获取内容的XPath，操作如下图：

​

操作和标题操作差不多，但需注意的是，当鼠标悬停在内容上面时，需要选中全部内容而不是部分段落，这样再去代码中点击，才能得出完整的Xpath表达式，右击后复制得出代码为 //*[@id="cmsContent"] 。

看完之后大家有没有觉得Xpath提取很好用，觉得好用的话就自己也来操作试试吧，除了上面提到的四种提取方式外，抓取网页数据的工具火车采集器V9还有JSON提取方式，大家也可以学习研究一下。