在爬虫开发中，解析 HTML 的方式主要有三种：
正则表达式（不推荐新手使用）
BeautifulSoup（简单易用）
XPath（最强大、最精确）
今天我们要学习的是爬虫工程师最喜欢的解析方式之一：
XPath —— 提取网页结构最强大的工具
只要你掌握 XPath，再复杂的 HTML 都能被你快速解析。
🔍 一、XPath 是什么？
XPath 全称：
XML Path Language（XML 路径语言）
虽然名字里带 XML，但它同样适用于HTML。
它的作用是：
通过路径查找节点
精确定位网页元素
快速提取文本、属性、子节点
你可以把 XPath 看成网页的“地图导航”：
从 /html/body/div[1]/h1 找到标题节点
非常直观、非常精确。
🧭 二、为什么爬虫必须掌握 XPath？
理由如下：
✔ 1. BeautifulSoup 不够精确
遇到多层嵌套或重复节点时，XPath 的定位能力远超 BeautifulSoup。
✔ 2. 数据结构复杂的网站，XPath 更容易处理
尤其是电商站点、资讯站点、层级列表网站。
✔ 3. XPath 语法非常统一
你学会一次，可以用一辈子。
✔ 4. lxml + XPath 的解析速度非常快
适合大规模爬虫工程。
🔧 三、用 lxml + XPath 的基础用法
安装 lxml：
pip install lxml解析 HTML：
from lxml import etree html = etree.HTML("<html>...</html>") result = html.xpath("你的 XPath 表达式")result会返回一个列表，包含匹配到的节点或文本。
🧪 四、XPath 常用语法（爬虫最常用 Top 10）
① 选取所有某标签节点
//h1 //div //a② 选取具体 class 的标签
//h1[@class="title"]③ 选取含有某部分 class 的节点（超常用）
//div[contains(@class, "item")]适用于 class 多个值的情况：
<div class="item active main">④ 选取文本内容
//h1/text()⑤ 选取属性（如 src、href）
//img/@src //a/@href⑥ 索引定位（从 1 开始）
//ul/li[1] # 第一个 li //ul/li[last()] # 最后一个 li⑦ 选取子节点（/）
//div/h1⑧ 选取任意深度节点（//）
//div//span⑨ 选取包含文本的节点
//a[contains(text(), "Python")]⑩ 多条件筛选（进阶）
//div[@class="item" and @data-id="123"]🔍 五、实战示例：解析文章标题与内容
假设你抓取一个网页，结构如下：
<div class="article"> <h1 class="title">Python 爬虫入门</h1> <p class="summary">这是简介内容</p> </div>XPath 提取：
提取标题：
title = html.xpath('//h1[@class="title"]/text()')提取简介：
summary = html.xpath('//p[@class="summary"]/text()')提取整个文章块：
article = html.xpath('//div[@class="article"]')[0]🧩 六、解析列表结构（爬虫最常见场景）
网页中常见：
新闻列表
商品列表
评论列表
视频列表
结构可能是：
<ul class="news"> <li> <a href="/1.html">新闻 1</a> </li> <li> <a href="/2.html">新闻 2</a> </li> </ul>提取所有标题：
titles = html.xpath('//ul[@class="news"]/li/a/text()')提取所有链接：
links = html.xpath('//ul[@class="news"]/li/a/@href')XPath 对列表解析极其强大。
🛠 七、如何在浏览器中获取 XPath？
Chrome 可以自动生成 XPath：
打开 Elements 面板
右键节点
点击Copy → Copy XPath
但注意：
自动 XPath不够简洁
很多路径层级过深
建议自行优化
例如自动生成：
/html/body/div[2]/div[3]/div/h1建议手写：
//h1[@class="title"]更通用、更不易失败。
🔦 八、XPath 解析失败的常见原因
❌ 1. 页面由 JS 渲染（HTML 中没有数据）
此时应抓 Ajax 或使用 Selenium/Playwright。
❌ 2. class 有多个值，你却写成完整匹配
例如：
<div class="item active">应写：
//div[contains(@class, "item")]❌ 3. 标签层级不固定
用//更稳妥。
❌ 4. 忘记加 text() 或 @href
✅ 总结
今天你学到了：
XPath 是最强大的 HTML 解析工具之一
支持精确定位节点、属性、文本
非常适合爬虫解析复杂网页
Chrome 可以辅助生成 XPath
XPath 常见的十大语法
XPath 在列表结构中的应用
XPath 失败的常见原因及解决方案
掌握 XPath 是你成为爬虫开发者的重要里程碑，一旦熟练，再复杂的页面都能迎刃而解。
如果你在写 XPath 时遇到：
结构太复杂难以定位
多层嵌套不知如何写路径
text() 提取不到内容
Chrome 生成的 XPath 不能用
每个节点结构都不固定
可以加我微信cpseagogo，我可以帮你一起分析 HTML 结构和 XPath 写法。
