如何在python中使用xpath
在进行网页抓取的时候，分析定位html节点是获取抓取信息的关键，目前我用的是lxml模块(用来分析XML文档结构的，当然也能分析html结构)， 利用其lxml.html的xpath对html进行分析，获取抓取信息。
首先，我们需要安装一个支持xpath的python库。目前在libxml2的网站上被推荐的python binding是lxml，也有beautifulsoup，不嫌麻烦的话还可以自己用正则表达式去构建，本文以lxml为例讲解。
假设有如下的HTML文档:
1 《html》
2 《body》
3 《form》
4 《div id=’leftmenu’》
5 《h3》text《/h3》
6 《ul id=’china’》《!-- first location --》
7 《li》...《/li》
8 《li》...《/li》
9 ......
10 《/ul》
11 《ul id=’england’》《!-- second location--》
12 《li》...《/li》
13 《li》...《/li》
14 ......
15 《/ul》
16 《/div》
17 《/form》
18 《/body》
19 《/html》
直接使用lxml处理：
1 import codecs
2 from lxml import etree
3 f=codecs.open(“ceshi.html“,“r“,“utf-8“)
4 content=f.read()
5 f.close()
6 tree=etree.HTML(content)
etree提供了HTML这个解析函数，现在我们可以直接对HTML使用xpath了，是不是有点小激动，现在就尝试下吧。
在使用xpath之前我们先来看看作为对照的jQuery和RE。
在jQuery里要处理这种东西就很简单，特别是假如那个ul节点有id的话（比如是《ul id=’china’》）：
$(“#china“).each(function(){...});
具体到此处是：
$(“#leftmenu“).children(“h3:contains(’text’)“).next(“ul“).each(function(){...});
找到id为leftmenu的节点，在其下找到一个内容包含为”text”的h3节点，再取其接下来的一个ul节点。
在python里要是用RE来处理就略麻烦一些：
block_pattern=re.compile(u“《h3》档案《/h3》(.*?)《h3》“, re.I | re.S)
m=block_pattern.findall(content)
item_pattern=re.compile(u“《li》(.*?)《/li》“, re.I | re.S)
items=item_pattern.findall(m)
for i in items:
print i
那么用xpath要怎么做呢？其实跟jQuery是差不多的：
nodes=tree.xpath(“/descendant::ul[@id=’china’]“)
当然，现在没有id的话也就只能用类似于jQuery的方法了。完整的xpath应该是这样写的（注意，原文件中的TAG有大小写的情况，但是在XPATH里只能用小写）：
nodes=tree.xpath(u“/html/body/form/div[@id=’leftmenu’]/h3[text()=’text’]/following-sibling::ul“)
更简单的方法就是像jQuery那样直接根据id定位：
nodes=tree.xpath(u“//div[@id=’leftmenu’]/h3[text()=’text’]/following-sibling::ul“)
这两种方法返回的结果中，nodes就是那个“text”的h3节点后面紧跟的第一个ul节点,这样就可以列出后面所有的ul节点内容了。
如果ul节点下面还有其他的节点，我们要找到更深节点的内容，如下的循环就是把这些节点的文本内容列出：
nodes=nodes.xpath(“li/a“)
for n in nodes:
print n.text
对比三种方法应该可以看出xpath和jQuery对于页面的解析都是基于XML的语义进行，而RE则纯粹是基于plain text。RE对付简单的页面是没有问题，如果页面结构复杂度较高的时候（比如一堆的DIV来回嵌套之类），设计一个恰当的RE pattern可能会远比写一个xpath要复杂。特别是目前主流的基于CSS的页面设计方式，其中大部分关键节点都会有id――对于使用jQuery的页面来说则更是如此，这时xpath相比RE就有了决定性的优势。
附录：基本XPATH语法介绍，详细请参考XPath的官方文档
XPATH基本上是用一种类似目录树的方法来描述在XML文档中的路径。比如用“/”来作为上下层级间的分隔。第一个“/”表示文档的根节点（注意，不是指文档最外层的tag节点，而是指文档本身）。比如对于一个HTML文件来说，最外层的节点应该是”/html”。
同样的，“..”和“.”分别被用来表示父节点和本节点。
XPATH返回的不一定就是唯一的节点，而是符合条件的所有节点。比如在HTML文档里使用“/html/head/scrpt”就会把head里的所有script节点都取出来。
为了缩小定位范围，往往还需要增加过滤条件。过滤的方法就是用“[”“]”把过滤条件加上。比如在HTML文档里使用“/html/body/div[@id=’main’]”，即可取出body里id为main的div节点。
其中@id表示属性id，类似的还可以使用如@name, @value, @href, @src, @class….
而 函数text()的意思则是取得节点包含的文本。比如：《div》hello《p》world《/p》《 /div》中，用”div[text()=’hello’]“即可取得这个div，而world则是p的text()。
函数position()的意思是取得节点的位置。比如“li[position()=2]”表示取得第二个li节点，它也可以被省略为“li”。
不过要注意的是数字定位和过滤 条件的顺序。比如“ul/li[@name=’hello’]”表示取ul下第五项li，并且其name必须是hello，否则返回空。而如果用 “ul/li[@name=’hello’]”的意思就不同，它表示寻找ul下第五个name为”hello“的li节点。
此外，“*”可以代替所有的节点名，比如用”/html/body/*/span”可以取出body下第二级的所有span，而不管它上一级是div还是p或是其它什么东东。
而 “descendant::”前缀可以指代任意多层的中间节点，它也可以被省略成一个“/”。比如在整个HTML文档中查找id为“leftmenu”的 div，可以用“/descendant::div[@id=’leftmenu’]”，也可以简单地使用“ //div[@id=’leftmenu’]”。
至于“following-sibling::”前缀就如其名所说，表示同一层的下一个节点。”following-sibling::*”就是任意下一个节点，而“following-sibling::ul”就是下一个ul节点。
下载sql server 2012 express需要下载哪些文件
下载地址：
http://www.microsoft.com/zh-cn/download/details.aspx?id=29062
依据你的计算机操作系统，若是64位的需要下载：
CHS\x64\SQLEXPR_x64_CHS.exe 145.7 MB
CHS\x64\SQLEXPRADV_x64_CHS.exe 1.4 GB
CHS\x64\SQLEXPRWT_x64_CHS.exe 723.7 MB
CHS\x64\SqlLocalDB.MSI 33.1 MB
CHS\x64\SQLManagementStudio_x64_CHS.exe 645.6 MB
若是32位的，那就下载：
CHS\x86\SQLEXPR_x86_CHS.exe 126.5 MB
CHS\x86\SQLEXPR32_x86_CHS.exe 111.4 MB
CHS\x86\SQLEXPRADV_x86_CHS.exe 1.4 GB
CHS\x86\SQLEXPRWT_x86_CHS.exe 757.9 MB
CHS\x86\SqlLocaLDB.MSI 27.9 MB
CHS\x86\SQLManagementStudio_x86_CHS.exe 660.8 MB
Internet Explorer浏览器在哪下载啊
http://windows.microsoft.com/zh-cn/internet-explorer/download-ie
这是微软官网ie浏览器的网址
进去点下载就行
下载的是一个ie安装文件
运行会自动安装
-xpath语法
