xpath入门教程

    大部分程序开发者应该都有过爬取网页的经历，每个人爬取的方法也不太相同，有的用强大的正则表达式，有的用selector，有的也会用第三方提供的插件等等。每种方法都有各自的优缺点，比如正则的抓取效率问题但是通用性强，selector上手难度，插件类比如simple_dom_php抓取不到直接error退出进程问题等等。这里不做过多评价，只介绍一个好用的、强大的、易上手的抓取工具xpath。

什么是xpath
    一句话，XPath 是一门在 XML 文档中查找信息的语言。简单来说，html类似于xml结构，但是没有xml格式那么严格。

十分钟入门xpath
    入门用法，如何抓取百度首页图片链接
    使用谷歌浏览器获取需要抓取元素的xpath路径



    把自动生成的路径拷贝到代码中（ps:这里把网页代码保存在了本地!）

    


  运行查看结果





    第二步：掌握基本语法,xpath语法类似于路径选择，非常容易上手
    以下图html举例如何获取不同的节点：



   方法一：根据路径获取节点信息



    方法二：根据属性值快速选取节点



    掌握以上几种常用法，基本上就可以快速开发一个页面的抓取功能了，是不是非常简单，赶紧自己动手试试吧。更深入的用法无非是在上面基础上加了一些函数操作，具体可以搜索xpath教程，这里只做入门，不再深入介绍。

性能如何？
这里我使用上述html建立了以下基准进行测试：
   1、使用PHP语言 (php版本5.4.41)
   2、选取相同网页,约20W字符 (www.baidu.com)
    3、各抓取一千次 (循环一千次,抓取所有img标签的图片地址)
分别用正则和xpath进行抓取，比较处理时间。
    首先定义两个抓取方法：



    循环调用一千次，得出结论：本次测试，xpath爬取可以做到秒级；正则是分钟级别
说明：上述测试基准可能不太明确，但是差异较大已经足够得到我们需要的对比结果。

总结一下：
    XPath的优势在于它的速度，这是因为它把html以树形的结构进行存储，在你通过层级关系查找节点的时候，并不需要对所有字符串进行遍历，它的底层是通过libxml构建一棵DOM树实现的查找。
    XPath其实并不容易掌握（ps：我的意思是要深入掌握），它的语法和函数都非常多，学习起来成本也比较高，但是在普通的抓取业务中，只需要掌握一些基本的就足够了。
XPath的语法和规则跟语言是无关的。
    这里只讨论了xpath对单个网页的爬取新的基本方法，帮助开发人员快速抓取网页中的信息。因为简单快速，适用范围必然比不上强大的正则表达式，可以根据各自的应用场景选择。