10-常见任务示例

2.2.3　常见任务示例

• 获取 id 为 "firstHeading" 的 h1 标签下 span 中的 text 。

• 获取 id 为" toc "的 div 标签内的无序列表（ ul ）中所有链接 URL 。

• 获取 class 属性包含 "ltr" 以及 class 属性包含 "skin-vector" 的任意元素内所有标题元素（ h1 ）中的文本。这两个字符串可能在同一个 class 中，也可能在不同的 class 中。

• 选择 class 属性值为" infobox "的表格中第一张图片的URL。

• 选择 class 属性以" reflist "开头的 div 标签中所有链接的URL。

• 选择子元素包含文本" References "的元素之后的 div 元素中所有链接的URL。

• 获取页面中每张图片的URL。

//img/@src

有一些XPath表达式，你将会经常遇到。让我们看一些目前在维基百科页面上的例子。维基百科拥有一套非常稳定的格式，所以我认为它们不会很快发生改变，不过改变终究还是会发生的。我们把如下这些表达式作为说明性示例。

//table[@class="infobox"]//img[1]/@src

//­*[text()="References"]/../following-sibling::div//a

实际上，你将会经常在XPath表达式中使用到类。在这些情况下，需要记住由于一些被称为CSS的样式元素，你会经常看到HTML元素在其 class 属性中拥有多个类。比如，在一个导航系统中，你会看到一些div标签的 class 属性是" link "，而另一些是" link active "。后者是当前激活的链接，因此会表现为可见或使用一种特殊的颜色（通过CSS）高亮表示。当抓取时，你通常会对包含有特定类的元素感兴趣，具体来说，就是前面例子中的" link "和" link active "。对于这种情况，XPath的 contains() 函数可以让你选择包含有指定类的所有元素。

//div[starts-with(@class,"reflist")]//a/@href

请注意该表达式非常脆弱并且很容易无法使用，因为它对文档结构做了过多假设。

//h1[@id="firstHeading"]/span/text()

//div[@id="toc"]/ul//a/@href

//­*[contains(@class,"ltr") and contains(@class,"skin-vector")]//h1//text()