网页情况十分复杂，仅通过标签和属性，难以将我们需要的数据精准定位出来。XPath有一套XPath函数，便于我们更精准定位。

下面是一些常见XPath函数，在八爪鱼数据抓取中应用十分广泛，请大家认真学习。

在开始学习XPath函数之前，有2点特别强调：

XPath函数有其固定写法，请遵循其固定写法；

XPath中的所有符号() [] ''均为英文符号，不可用中文符号。

以下示例网址均为：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4

① text() 用文本定位位置

text()='xxx' 精确定位，引号中的内容需与HTML文档中的文本完全一样

contains(text(),'xxx') 模糊定位，HTML文档中的文本，包含引号中的内容即可

如果需要定位到此网页中的【后页>】按钮。

用 text()='xxx' 定位，则XPath为：//a[text()='后页>'] ，引号中的文本一定要为 '后页>'，如果换成 '后页' （少了一个>），则定位不到【后页>】按钮。

用 contains(text(),'xxx') 定位，则XPath为：//a[contains(text(),'后页>')] ；//a[contains(text(),'后页')] ；//a[contains(text(),'页')] ；//a[contains(text(),'后')] 均可（包含文本中相连的一段字符即可，不用全部复制）。

② contains() 用于判断文本的一部分是否包含XXX，或者属性值是否包含XXX

contains(text(),'xxx') 判断文本的一部分是否包含XXX，上面已经详细说明

contains(@class,'xxx') 判断属性值是否包含XXX

如果需要定位到此网页中的所有图书列表。

直接用属性定位，则XPath为：//li[@class='subject-item'] ，引号中的属性值一定要为 'subject-item'，跟HTML文档中的属性值完全一致。

如果用 contains(@class,'xxx') 定位，则XPath为：//li[contains(@class,'subject-item')]；//li[contains(@class,'subject')] 均可（包含属性中相连的一段即可，不用全部复制）。

③ position() 用于定位节点的位置和限制节点的范围

position()=1 同级标签的第1个

position()>1 and position()<10 同级标签的第2-9个

常用于控制循环列表的项。如图，//ul[@class='subject-list']/li[position()>1 and position()<10]，定位的是第2-9个li标签。

④ last() 最后1个

last() 最后1个标签

last()-1 倒数第2个标签

last()-2 倒数第3个标签

如图，//ul[@class='subject-list']/li[last()]，定位的是最后1个li标签。

⑤ and/or/not 同时满足/满足其中1个即可/无

and 且，同时满足 a[@class and @href] 既有class属性，又有href属性的a标签

or 或，满足其中1个即可 a[@class or @href] 有class属性，或者有href属性的a标签

not 无 a[not(@class)] 不含class属性的a标签

⑥ following-sibling:: 选取当前节点之后的所有同级节点

在八爪鱼中常用于数字翻页，点击查看数字翻页教程。

如图，//span[@class="thisclass"]/following-sibling::a ，定位到span节点之后的所有同级a节点

⑦ preceding-sibling:: 选取当前节点之前的所有同级节点

如图，//a[@target='_blank']/preceding-sibling::strong ，定位到a节点之前的所有同级strong节点

五、实战演练

题1：采集以下网址，全部的列表数据。

http://newhouse.sz.fang.com/house/s/b91/?ctm=1.sz.xf_search.page.1

1、按照列表采集和翻页的方法，配置采集规则。

2、按需求编辑采集下来的字段，如图。

3、启动采集，我们发现，有非常多的重复数据。观察重复数据发现，是从第2页后开始重复的。为什么？

4、找到规则中，翻页的XPath：//a[@class="next"] ，并将其复制下来。

5、将翻页的XPath：//a[@class="next"] 复制进浏览器控制台中开始调试。第1页，通过 //a[@class="next"] 定位到的是【下一页】按钮，没问题。但是第2页出问题了，通过//a[@class="next"] 定位到【上一页】和【下一页】2个按钮，因【上一页】按钮在前，会先执行前一个。因此，在第2页的时候，会点【上一页】回到第1页，翻页就无法正常进行了。

我们需要在第2页（应该说是除最后1页的所有页）都只定位到【下一页】按钮，对吧？XPath怎么改？观察第2页中，【上一页】和【下一页】按钮的源码区别。很明显，文字不同，一个是【上一页】，一个是【下一页】。

利用这个特征和XPath的 Text函数（忘了Text函数怎么用？返回本教程 3、常用的XPath函数中查看），我们可以写出一条定位XPath：//A[text()='下一页']。将这条新的XPath，放到每一页去检查一下，发现在除最后1页的所有页中都能精准定位到【下一页】按钮，正符合我们的翻页需求。

6、将改好的这条XPath：//A[text()='下一页']，复制进八爪鱼的相应位置即可。手动执行规则，发现在第二页的时候点击下一页按钮，可以翻到第3页，再次启动采集，会发现正常翻页，无重复数据。

以上是一个【翻页】定位出错的实例。在实际采集数据过程中，【循环列表】、【点击元素】、【提取数据】步骤均可能定位不准。就需要我们进行错误排查并修改定位XPath。

Xpath入门