XPath（XML Path Language，XML 路径语言）是一种用于在 XML 或 HTML 文档中定位和选取节点的查询语言 ，由 W3C（万维网联盟）制定为标准。它的核心思想是把文档看作一棵节点树，像文件系统的路径一样，在树中导航并精准定位目标元素。
一、核心基础：节点选取语法
这是 XPath 定位的底层规则，用于指定节点的查找路径，是所有操作的基础：
表格
| 表达式 | 核心描述 | 实战示例 | 示例说明 |
|---|---|---|---|
nodename |
选取该节点的所有子节点 | div |
选取当前节点下所有<div>子标签 |
/ |
层级分隔 / 绝对路径（直接子节点） | /html/body/div |
从根节点开始，选<html>→<body>下的直接<div>子节点 |
// |
全局选取（任意位置的节点） | //div |
选取整个文档中所有<div>标签（无视层级） |
. |
选取当前节点（相对定位） | ./span |
选取当前节点下的直接<span>子节点 |
.. |
选取父节点 | //span/.. |
选取所有<span>标签的父节点 |
@ |
选取属性（基础） | //div[@id] |
选取带有id属性的所有<div>标签 |
二、进阶筛选：谓语（Predicates）
通过[]包裹条件实现精准过滤，是 XPath 定位的核心能力，适配各类精准匹配场景：
表格
| 表达式类型 | 示例 | 示例说明 | 补充说明 |
|---|---|---|---|
| 位置索引 | //head/meta[1] |
选取<head>下第一个<meta>标签 |
索引从 1 开始（非 0），是高频易错点 |
| 末尾定位 | //ul/li[last()] |
选取<ul>下最后一个<li>标签 |
支持偏移：last()-1= 倒数第二个 |
| 位置范围 | //ul/li[position()<3] |
选取<ul>下前 2 个<li>标签 |
支持</>/=/<=/>=等运算符 |
| 属性存在性 | //a[@href] |
选取带有href属性的所有<a>标签 |
仅校验属性是否存在，不限制值 |
| 属性精确匹配 | //div[@id='u1'] |
选取id值为u1的所有<div>标签 |
字符串值需加单 / 双引号 |
| 属性模糊匹配 | //a[contains(@href, 'cve')] |
选取href包含cve的所有<a>标签 |
爬虫提取关联链接常用 |
| 属性开头匹配 | //script[starts-with(@src, '//cdn')] |
选取src以//cdn开头的<script> |
定位第三方资源常用 |
| 多条件联合 | //input[@type='text' and position()=2] |
选取第 2 个type为text的<input> |
支持and/or逻辑运算符 |
三、简化匹配：通配符（Wildcards）
用于 "未知节点 / 属性" 或批量选取场景，简化匹配规则：
表格
| 通配符 | 作用 | 示例 | 示例说明 |
|---|---|---|---|
* |
匹配任意节点 | //div[@id='u1']/* |
选id=u1的<div>下所有直接子节点（不限标签） |
@* |
匹配任意属性 | //meta[@*] |
选取带有任意属性的所有<meta>标签 |
四、批量选取：多路径联合（| 竖线）
你希望我重新整理 XPath 中 "多路径联合选取" 的知识点，这是 XPath 实现批量提取多个不相关节点集的核心能力，以下是结构化、贴合实战的详细解析：
1. 核心语法
多路径联合选取通过 |（竖线） 连接两个或多个独立的 XPath 表达式，最终返回所有表达式匹配结果的 "并集"（按节点在文档中的自然出现顺序排列）。
- 语法格式：
XPath表达式1 | XPath表达式2 | ... | XPath表达式N - 核心逻辑：多个路径无依赖关系，相当于 "同时选取满足任意一个路径的所有节点"。
2. 详细示例（从基础到进阶）
（1）基础示例：选取不同类型的标签
xpath
//title | //meta | //h1- 作用：同时选取文档中所有
<title>、<meta>和<h1>标签； - 适用场景：爬虫中批量提取网页基础信息（标题、元信息、主标题）。
（2）进阶示例：带筛选条件的多路径
xpath
//div[@class='nav']/a | //ul[@id='menu']/li/a- 作用：
- 第一部分：选取
class="nav"的<div>下所有<a>标签； - 第二部分：选取
id="menu"的<ul>下所有<li>中的<a>标签； - 最终：合并两部分结果，得到所有导航栏链接。
- 第一部分：选取
- 适用场景：网页导航链接分散在不同标签结构中时，批量提取所有导航链接。
（3）结合谓语 / 通配符的多路径
xpath
//a[contains(@href, 'https')] | //button[@type='submit']- 作用：同时选取所有带 HTTPS 链接的
<a>标签、所有提交类型的<button>标签； - 适用场景：自动化测试中批量定位 "安全链接" 和 "提交按钮"。
3. 关键使用注意事项
- 结果排序 ：合并后的节点按其在文档中的自然出现顺序 排列，而非表达式书写顺序；例：若
<h1>在<title>前，//title | //h1的结果中<h1>会先出现。 - 路径独立性 ：每个路径都是独立的，一个路径的语法错误会导致整个表达式失效；例：
//div[@class='nav'] | //ul[@id='menu'（缺少闭合括号）会整体报错。 - 去重特性 ：若多个路径匹配到同一个节点，结果中仅保留一次（自动去重）；例：
//div | //*[@class='box']若某个<div>刚好有class="box"，只会出现一次。
五、实战补充：路径类型与避坑指南
1. 路径类型区分（爬虫 / 自动化首选）
- 绝对路径：以
/开头（如/html/body/div），稳定性差（页面结构变化易失效）； - 相对路径：以
./..开头（如./span），灵活性高（优先使用）； - 全局路径：以
//开头（如//div[@class='content']），兼顾精准与灵活。
2. 核心易错点
- 索引规则：XPath 索引从 1 开始，而非编程中的 0；
- 通配符范围：
*仅匹配节点，@*仅匹配属性，不可混用； - 多路径逻辑：
|是 "并集" 而非 "逻辑或"，结果按文档顺序返回。
总结
- XPath 核心分为基础路径选取 （/、//、.、@）和进阶筛选（谓语、通配符、多路径），后者是精准定位的关键；
- 谓语
[]支持位置、属性、多条件筛选，"索引从 1 开始" 是最易踩坑的点； - 实际开发中优先使用「相对路径 + 谓语筛选」（如
//div[@class='content']/p），兼顾灵活性和精准性。