本文详解在 scrapy 中如何通过稳定、语义化的 xpath 表达式，从 northrop grumman 招聘页面中可靠提取职位标题（text）和职位详情页 url（@href），避免依赖易变的绝对路径。

本文详解在 scrapy 中如何通过稳定、语义化的 xpath 表达式，从 northrop grumman 招聘页面中可靠提取职位标题（text）和职位详情页 url（@href），避免依赖易变的绝对路径。

在使用 Scrapy 抓取招聘类网站时，一个常见误区是直接复制浏览器开发者工具生成的绝对 XPath（如 /html/body/div[1]/main/...）。这类路径极其脆弱：前端微调结构、插入广告位或动态加载内容都会导致表达式完全失效。Northrop Grumman 的职位列表页正是典型场景——其 DOM 结构嵌套深、层级多，但关键信息具有清晰的语义特征。

观察页面源码可发现：每个职位卡片均包裹在

容器内，其中包含一个 标签，该标签同时承载跳转链接（href 属性）和职位标题（其内部

的文本内容）。因此，应优先采用基于 class 和语义标签的相对 XPath，而非深度定位的绝对路径。

✅ 推荐 XPath 表达式如下：

• 提取所有职位 URL（href 属性值）：

  //div[@class="col-sm-9"]/a/@href

• 提取所有职位标题（

  文本）：

  //div[@class="col-sm-9"]/a/h2/text()

• 一次性获取 URL 与标题（混合结果，按文档顺序交替）：

  //div[@class="col-sm-9"]/a/@href | //div[@class="col-sm-9"]/a/h2/text()

在 Scrapy Shell 中实际使用示例：

# 启动请求并抓取响应
r = scrapy.Request('https://www.northropgrumman.com/jobs?remote=yes-may-consider-full-time-teleworking-for-this-position&country=united-states-of-america&_job_category=global-supply-chain,business-management,program-management')
fetch(r)

# 获取职位链接列表（相对路径，需拼接 base_url）
urls = response.xpath('//div[@class="col-sm-9"]/a/@href').getall()
# 输出示例: ['/jobs/Business-Management/Contract/.../R10151186/principal-sr-principal-contract-administrator', ...]

# 获取职位标题列表
titles = response.xpath('//div[@class="col-sm-9"]/a/h2/text()').getall()
# 输出示例: ['Principal / Sr Principal Contract Administrator', ...]

# 验证数量一致，便于 zip 组合
assert len(urls) == len(titles), "URL 与标题数量不匹配，请检查页面结构是否动态加载"

⚠️ 注意事项：

• 所有 href 均为相对路径，在 Scrapy 中建议用 response.urljoin(href) 自动补全为绝对 URL；
• 若页面启用 JavaScript 渲染（如 React 动态注入），response 可能不含完整职位数据，此时需配合 Splash 或 Playwright；
• col-sm-9 是 Bootstrap 布局类，稳定性较高；若未来改版，可先用 response.css('div.col-sm-9 a::attr(href)').getall() 作为 CSS 选择器备选方案；
• 始终用 .getall() 而非 .get() 进行调试，避免因单条缺失导致静默失败。

总结：XPath 的健壮性不在于“精准到第几个 div”，而在于锚定具有业务含义的容器与标签。抓住 div.col-sm-9 → a → h2 这一稳定结构链，即可实现高复用、低维护的职位数据抽取。