XPath (لغة مسار XML) هي لغة تعبيرات W3C لتحديد واختيار أجزاء من مستند XML، ويمكنها أيضًا التنقل في HTML. تتمثل ميزتها الأساسية في تعبير المسار، مثل //a/@href، الذي يتنقل عبر شجرة المستند للوصول إلى العناصر أو السمات أو النصوص. تدعم أدوات السحب مثل Scrapy XPath لاستخراج البيانات من الصفحات التي تم تنزيلها.
أصبحت النسخة الحالية، XPath 3.1، توصية W3C في 21 مارس 2017. وهي تعمل على XML، وفي هذه النسخة، بيانات JSON.
أساسيات بناء جملة XPath
- المسار:
//titleيختار كل عنصرtitleفي أي مكان في المستند. - النص:
//title/text()يعيد النص داخل تلك العناصر. - السمات:
@يختار سمة، لذا//a/@hrefيعيد أهداف الروابط. - العبارات الشرطية: الأقواس المربعة تصفي النتائج، لذا
//div[@class="price"]يحتفظ فقط بالعناصرdivالتي تحمل تلك الفئة.
XPath في سحب الويب
تقبل محددات Scrapy كل من XPath وCSS، وتترجم Scrapy استعلامات CSS إلى XPath داخليًا باستخدام مكتبة cssselect. تستخدم محدداتها مكتبة lxml في الخلفية. في المتصفحات، يمكن لـ XPath التنقل في DOM لمستندات HTML وSVG من خلال واجهة XPathExpression، كبديل لطرق مثل querySelectorAll().
وظائف XPath وXSLT
تم تصميم XPath ليتم تضمينه في لغة مضيفة مثل XSLT. تحدد W3C مكتبة وظائف واحدة، في مساحة الاسم fn، لـ XPath وXQuery وXSLT. تشمل الوظائف المفيدة في السحب:
contains()وstarts-with(): مطابقة أجزاء النص.normalize-space()وstring-length(): تعمل على قيم السلسلة.count(): تعد العناصر.
على سبيل المثال، //a[contains(@href, "product")] يحتفظ فقط بالروابط التي تحتوي URL الخاصة بها على "منتج".