因为最近在用Python写几个爬虫，一直是在用re的正则去匹配自己想要的内容 虽然也是很灵活，但是有时候还是写起来很麻烦 了解到XPath这种神器，简单学习了一下，果然好用。

基础概念

节点（Node）

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。

基本值（或称原子值，Atomic value）

基本值是无父或无子的节点。

项目（Item）

项目是基本值或者节点。

节点关系

父（Parent）

每个元素以及属性都有一个父。

子（Children）

元素节点可有零个、一个或多个子。

同胞（Sibling）

拥有相同的父的节点

先辈（Ancestor）

某节点的父、父的父，等等。

后代（Descendant）

某个节点的子，子的子，等等。

谓语（Predicates）

谓语用来查找某个特定的节点或者包含某个指定的值的节点。 谓语被嵌在方括号中

轴

轴可定义相对于当前节点的节点集。

XPath运算符

此处略 比较简单 XPath的路径表示，有点像Linux的文件系统 从"/"开始的是绝对路径 与之相对的当然是相对路径

/step/step/...
step/step/...

step(步)包括 轴名称::节点测试[谓语] 三部分 通过具体代码简单实验一下 使用Python代码爬虫，要先安装XPath，直接pip安装就好

from lxml import etree
import requests

def spider(url):
    html = requests.get(url)
    selector = etree.HTML(html.text)
    content_field = selector.xpath('//div[@class="zm-editable-content"]')
    item = {}
    for each in content_field:
        the_true = each.xpath('img[@src]')
        text = each.xpath('br/text()')
        info = data.xpath('string(.)')
        info_text = info.replace('\n','').replace(' ','')
        item['gakki_text'] = info_text
        item['gakki_img_src'] = the_true
        f.wirtelines(u'gakki:'item['gakki_text'] + '\n' + ['gakki_img_src'])
if __name__ == '__main__':
    f = open('gakki.txt','a')
    page = 'http://www.zhihu.com/question/26942050'
    results = spider(page)
    f.close()