XPath (XML Path Language) হল একটি W3C এক্সপ্রেশন ভাষা যা XML ডকুমেন্টের অংশগুলি ঠিকানা এবং নির্বাচন করার জন্য ব্যবহৃত হয়, এবং এটি HTML-ও নেভিগেট করতে পারে। এর সংজ্ঞায়িত বৈশিষ্ট্য হল পাথ এক্সপ্রেশন, যেমন //a/@href, যা ডকুমেন্ট গাছের মধ্য দিয়ে উপাদান, বৈশিষ্ট্য বা পাঠ্য পৌঁছানোর জন্য চলে। স্ক্র্যাপিং টুল যেমন Scrapy, ডাউনলোড করা পৃষ্ঠাগুলি থেকে তথ্য বের করার জন্য XPath সমর্থন করে।
বর্তমান সংস্করণ, XPath 3.1, 21 মার্চ 2017-এ একটি W3C সুপারিশে পরিণত হয়। এটি XML-এ কাজ করে এবং এই সংস্করণে, JSON ডেটা।
XPath সিনট্যাক্সের মৌলিক বিষয়গুলি
- পাথ:
//titleডকুমেন্টের যেকোনো স্থানে প্রতিটিtitleউপাদান নির্বাচন করে। - পাঠ্য:
//title/text()সেই উপাদানগুলির ভিতরের পাঠ্য ফেরত দেয়। - বৈশিষ্ট্য:
@একটি বৈশিষ্ট্য নির্বাচন করে, তাই//a/@hrefলিঙ্কের লক্ষ্য ফেরত দেয়। - পূর্বশর্ত: বর্গাকার বন্ধনী ফলাফলগুলি ফিল্টার করে, তাই
//div[@class="price"]শুধুমাত্র সেইdivউপাদানগুলি রাখে যার ক্লাস রয়েছে।
ওয়েব স্ক্র্যাপিংয়ে XPath
Scrapy সিলেক্টর উভয় XPath এবং CSS গ্রহণ করে, এবং Scrapy cssselect লাইব্রেরি ব্যবহার করে অভ্যন্তরীণভাবে CSS প্রশ্নাবলিকে XPath-এ অনুবাদ করে। এর সিলেক্টরগুলি লুকানোভাবে lxml লাইব্রেরি ব্যবহার করে। ব্রাউজারে, XPath HTML এবং SVG ডকুমেন্টের DOM নেভিগেট করতে XPathExpression ইন্টারফেসের মাধ্যমে কাজ করে, querySelectorAll() এর মতো পদ্ধতির বিকল্প হিসেবে।
XPath ফাংশন এবং XSLT
XPath একটি হোস্ট ভাষায় এম্বেড করার জন্য ডিজাইন করা হয়েছে যেমন XSLT। W3C একটি ফাংশন লাইব্রেরি সংজ্ঞায়িত করে, fn নামস্থান, XPath, XQuery এবং XSLT-এর জন্য। স্ক্র্যাপিংয়ে উপকারী ফাংশনগুলির মধ্যে রয়েছে:
contains()এবংstarts-with(): সাবস্ট্রিং মেলানো।normalize-space()এবংstring-length(): স্ট্রিং মানগুলির উপর কাজ করে।count(): আইটেম গণনা করে।
উদাহরণস্বরূপ, //a[contains(@href, "product")] শুধুমাত্র সেই লিঙ্কগুলি রাখে যার URL-এ "পণ্য" রয়েছে।