为什么不仅用正则表达式？

正则表达式处理简单的字符串匹配很好，但 HTML 是树状结构（标签套标签）。XPath 和 CSS 选择器 是专门用来在这个“树”上导航的工具，就像在电脑里找文件一样准确。

1. XPath (XML Path Language)

它像文件路径一样描述元素的位置。

• 优点： 功能最强，可以在树上自由上下移动，支持复杂的逻辑判断。
• 缺点： 语法相对繁琐。

常用语法速查

符号	含义	例子	解释
:---	:---	:---	:---
//	全局寻找	//div	找到页面里所有的 div 标签
/	直接子级	//div/p	找到 div 下面第一层的 p
[@属性]	属性筛选	//div[@class="content"]	找到 class 是 "content" 的 div
text()	提取文字	//a/text()	拿到链接里的文字

2. CSS 选择器 (CSS Selectors)

如果你写过前端样式，对这个会很熟悉。

• 优点： 写法简洁，解析速度快。
• 缺点： 主要是单向查找（向下），部分复杂逻辑（如基于内容的查找）不如 XPath 灵活。

常用语法速查

符号	含义	例子	解释
:---	:---	:---	:---
.	Class 选择器	.content	找到 class="content" 的元素
#	ID 选择器	#main	找到 id="main" 的元素
`` (空格)	后代选择器	div p	找到 div 内部所有的 p
>	直接子级	div > p	找到 div 下面第一层的 p

实战演练：Python 代码示例

假设我们要从一段 HTML 中提取电影标题。

from lxml import etree # 推荐：使用 lxml 库来支持 XPath
from bs4 import BeautifulSoup # 推荐：使用 BeautifulSoup 支持 CSS 选择器

html = """
<div class="movie">
    <h1>肖申克的救赎</h1>
    <span class="score">9.7</span>
</div>
"""

# --- 方法 1: 使用 XPath (lxml) ---
# 1. 转换成可解析对象
tree = etree.HTML(html)
# 2. 使用 XPath 提取
# 翻译：找到 class 为 movie 的 div，下面的 h1，取它的文字
# 注意：xpath 返回的永远是一个列表
title_xpath = tree.xpath('//div[@class="movie"]/h1/text()') 
print(f"XPath结果: {title_xpath[0]}") 

# --- 方法 2: 使用 CSS 选择器 (BeautifulSoup) ---
# 1. 转换对象
soup = BeautifulSoup(html, 'lxml')
# 2. 使用 select_one (找一个) 或 select (找所有)
# 翻译：找到 .movie 类下面的 h1 标签
title_css = soup.select_one('.movie h1').text
print(f"CSS结果: {title_css}")

下一步练习

去抓取 豆瓣电影 Top250 的标题。

URL: https://movie.douban.com/top250

挑战：

1. 不要用正则表达式。
2. 试着分别用 XPath 和 CSS 选择器把电影名字提取出来。
3. 观察网页源代码，找到包含电影列表的那个大标签是什么。