XPath
Bir HTML veya XML belgesinin bölümlerini adreslemek için bir sorgu dili; kazıyıcıların bir sayfanın içindeki veriyi göstermesinin iki yolundan daha güçlü olanı.
Once a page is fetched and parsed, extraction is the act of pointing: THAT price, THOSE titles, the link inside the third card. XPath is a language for pointing. An expression describes a path through the document tree, and evaluating it returns whichever elements, attributes or text the path reaches. The syntax reads like a filesystem with opinions: //product descends to every product element anywhere, div/span steps from parent to child, and square-bracket predicates filter what qualifies, as in //div[@class='price'] or //li[position() less than four].
Its reputation for power rests on the places the alternative cannot go. XPath matches on text content, finding the span that literally says Out of stock. It traverses upward and sideways, from the element you can identify to the parent or sibling you actually want, as in //span[text()='Total']/following-sibling::span. It counts, compares and combines conditions inside a single expression. Whole categories of extraction that are contortions in other tools are one line here.
Arıza biçimi, kendi yazdığınız kırılganlıktır. Tarayıcı geliştirici araçları, belge kökünden başlayan, her adımı ve dizini sabit kodlanmış mutlak bir yol üreten bir XPath kopyalama kolaylığı sunar ve böyle bir yol, üzerindeki herhangi bir yerdeki bir sonraki düzen ayarlamasında ölür. Kararlı özniteliklere bağlanan, elle yazılmış göreli ifadeler, mutlak olanları paramparça eden yeniden tasarımlardan sağ çıkar. Ustalık, bugünün tesadüfi geometrisini kodlamak yerine bir anlam taşıyan çapalar seçmektir: bir id, bir data özniteliği, bir metin etiketi.
Nerede çalıştığı, ne söylediği kadar önemlidir. Sunucu tarafında, kazıyıcıların üzerine kurulduğu ayrıştırıcı kütüphaneleri XPath'i yerel olarak değerlendirir ve tarama çerçeveleri onu birinci sınıf bir seçici olarak sunar. Tarayıcıda değerlendirme mevcuttur, ancak araçlar rakibini tercih eder ve otomasyon çerçeveleri ikisini de kabul eder. Pratik akıcılık iki dillidir: gündelik işler için CSS seçici sözdizimi, metin eşleştirme veya yukarı doğru hareket gerektirenler için XPath; seçim her çıkarma için ayrı yapılır.
Dürüst bir uyarı: JavaScript ile işlenen sayfalarda öğeler var olana kadar hiçbir ifade işe yaramaz. XPath ayrıştırdığınız ağacı sorgular ve veri yüklemeden sonra geliyorsa ayrıştırdığınız ağaç bir iskelettir. Boş bir sahneyi tam isabetle göstermek, yine de hiçbir şeyi göstermektir.
Sık sorulan sorular
Kazıma için XPath mi yoksa CSS seçicileri mi kullanmalıyım?
İkisini de, işe göre seçerek. CSS sözdizimi rutin durumlar için, sınıflar, id'ler, öznitelikler, iç içe geçme, daha kısadır ve her yerde desteklenir. XPath, CSS'in ulaşamadığı yerde değerini kanıtlar: öğeleri metinlerine göre eşleştirmek, bulunan bir öğeden üst öğesine veya bir kardeşine geçmek ve birkaç koşulu tek bir ifadede birleştirmek. İkisinde de akıcı olmak az şeye mal olur ve geçici çözümlerin bütün kategorilerini ortadan kaldırır.
Kopyaladığım XPath neden bu kadar çabuk bozuluyor?
Çünkü tarayıcı geliştirici araçlarındaki XPath kopyalama, sabit kodlanmış adımlar ve dizinlerle mutlak bir yol üretir; bu da sayfanın anlamını bırakıp mevcut geometrisini kodlar. Yol boyunca herhangi bir yapısal değişiklik onu öldürür. Kararlı bir özniteliğe veya metin etiketine bağlanan kısa bir göreli ifade yazmak, kopyalanmış yolları toptan silen yeniden tasarımlardan sağ çıkan bir seçici üretir.
XPath öğeleri metinlerine göre seçebilir mi?
Yes, and it is the signature capability. Expressions can match exact text, as in //button[text()='Add to cart'], or containment via contains(), and then navigate from the matched element to whatever you actually need. CSS selectors in scraping libraries have no equivalent, which is why text-anchored extraction is the usual reason a scraper reaches for XPath.
XPath JavaScript ağırlıklı sayfalarda çalışır mı?
Ona verdiğiniz ağaç ne ise onu sorgular. Sayfa boş bir kabuk olarak gelir ve betikler çalıştıktan sonra dolarsa, getirilen HTML'ye karşı değerlendirilen bir ifade iskeleti bulur. Ya headless bir tarayıcıda işledikten sonra değerlendirin ya da daha iyisi, verinin DOM'a hiç bakmadan okuyabileceğiniz bir JSON akışı veya gömülü bir durum olarak var olup olmadığını kontrol edin.
Geri dön: sözlüğün tamamı.

