自定义xpath抓取问题

想要抓取一些附件的网址，最初只做了内容定位，只抓到了三个附件的网址。因为这个节点，并没有id和class，所以不能做定位标志映射。去研究了下xpath，但还是一脸懵啊。不过尝试加了一条自定义xpath，这次抓到了58个附件的网址，还是没抓全。
我贴几个不同的相对路径（偏好class），请大神指教下。
1.//*[@class='showbox']/div[position()=4]/p[position()=2]/a/@href
2.//*[@class='showbox']/div[position()=4]/div[position()=9]/a/@href
3.//*[@class='p0']/span[position()=1]/a/@href
4.//*[@class='p0']/span[position()=2]/font/a/@href

第1和第2相似，你的意思是要做一个通用的XPath？

如果网页上节点层次会变化，可以考虑使用网页上的文本内容作为标志，比如

1. //*[@class='showbox']/div[position()=4]/p[position()=2]/a/@href

复制代码

也许可以写成

1. //*[@class='showbox']/div[position()=4]/*[contains(text(),'标志文字']/a/@href

复制代码

Fuller 发表于 2016-11-18 15:15
第1和第2相似，你的意思是要做一个通用的XPath？

对，这个可以吗，有183个新闻公告，每个下边有一个到两个的附件。

Fuller 发表于 2016-11-18 15:17
如果网页上节点层次会变化，可以考虑使用网页上的文本内容作为标志，比如也许可以写成

...

谢谢，不过能麻烦帮我看下规则吗，规则名是“高新技术-二级”

不能直接做样例复制，需要用xpath来写每个附件，我打开几个网页来看，好像都是1或2个附件，为了保险起见你也可以写多几个。



附件1 抓取内容表达式： .//*[@id='content']/*[.//text()[contains(.,'doc')]][1]//text()[contains(.,'doc')]/../@href


附件2 抓取内容表达式： .//*[@id='content']/*[.//text()[contains(.,'doc')]][2]//text()[contains(.,'doc')]/../@href

是不是所有附件都是doc格式？我写的xpath是以doc来查找的。

还有一个方法，如果你只是单纯想下载全部附件，而不用和标题对应的话，可以用样式线索，直接找到包含doc的全部链接，把这些链接作为下级规则的线索。