PT
Começar

Glossário

Scraping e automação

XPath

Uma linguagem de consulta para localizar partes de um documento HTML ou XML, a mais poderosa das duas formas de os scrapers apontarem para os dados dentro de uma página.

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.

O modo de falha é uma fragilidade que você mesmo escreveu. As ferramentas de desenvolvedor do navegador oferecem a comodidade de copiar o XPath, que emite um caminho absoluto a partir da raiz do documento, cada passo e índice fixos, e um caminho assim morre no próximo ajuste de layout em qualquer ponto dele. Expressões relativas escritas à mão, ancoradas em atributos estáveis, sobrevivem a redesenhos que destroem as absolutas. A habilidade está em escolher âncoras que significam algo, um id, um atributo data, um rótulo de texto, sem codificar a geometria acidental de hoje.

Onde ele roda importa tanto quanto o que ele diz. No servidor, as bibliotecas de interpretação em que os scrapers se apoiam avaliam XPath nativamente, e os frameworks de rastreamento o oferecem como seletor de primeira classe. No navegador, a avaliação existe, mas as ferramentas favorecem o rival, e os frameworks de automação aceitam os dois. A fluência prática é bilíngue: a sintaxe de seletores CSS para os casos do dia a dia, o XPath para os que precisam de comparação de texto ou de subir na árvore, escolhidos por extração, sem fixar um por projeto.

Uma ressalva honesta: em páginas renderizadas por JavaScript, nenhuma expressão ajuda até os elementos existirem. O XPath consulta a árvore que você interpretou, e se os dados chegam depois do carregamento, a árvore que você interpretou é andaime. Apontar com precisão para um palco vazio continua sendo apontar para o nada.

Perguntas frequentes

Devo usar XPath ou seletores CSS para o scraping?

Os dois, escolhidos por trabalho. A sintaxe CSS é mais enxuta e universalmente suportada para os casos de rotina, classes, ids, atributos, aninhamento. O XPath se justifica onde o CSS não alcança: encontrar elementos pelo texto, subir de um elemento encontrado até o pai ou ir até um irmão, e combinar várias condições em uma única expressão. A fluência nos dois custa pouco e elimina categorias inteiras de gambiarra.

Por que meu XPath copiado quebra tão rápido?

Porque copiar o XPath nas ferramentas de desenvolvedor do navegador emite um caminho absoluto com passos e índices fixos, que codifica a geometria atual da página, sem captar o significado dela. Qualquer mudança estrutural ao longo do caminho o mata. Escrever uma expressão relativa curta, ancorada em um atributo estável ou em um rótulo de texto, produz um seletor que sobrevive aos redesenhos que apagam em massa os caminhos copiados.

O XPath consegue selecionar elementos pelo texto?

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.

O XPath funciona em páginas pesadas em JavaScript?

Ele consulta qualquer árvore que você entregar. Se a página chega como uma casca vazia e se preenche depois que os scripts rodam, uma expressão avaliada contra o HTML buscado encontra andaime. Avalie depois de renderizar em um navegador headless ou, melhor, confira se os dados existem como um fluxo JSON ou estado embutido que você consegue ler sem apontar para o DOM.

Voltar ao glossário completo.

HProxy.

As definições só levam você até certo ponto. Executar contra alvos reais.

Residenciais a partir de US$ 0,23 por GB, pagamento conforme o uso, e o saldo nunca expira.

HProxy