Python爬蟲從入門到放棄（十四）之 Scrapy框架中選擇器的用法
阿新 • • 發佈：2019-01-27
esp 技術分享 val arr con des image 使用 自己 
原文地址https://www.cnblogs.com/zhaof/p/7189860.html
Scrapy提取數據有自己的一套機制，被稱作選擇器（selectors）,通過特定的Xpath或者CSS表達式來選擇HTML文件的某個部分
Xpath是專門在XML文件中選擇節點的語言，也可以用在HTML上。
CSS是一門將HTML文檔樣式化語言，選擇器由它定義，並與特定的HTML元素的樣式相關聯。
XPath選擇器
常用的路徑表達式，這裏列舉了一些常用的，XPath的功能非常強大，內含超過100個的內建函數。
下面為常用的方法
nodeName 選取此節點的所有節點 / 從根節點選取 // 從匹配選擇的當前節點選擇文檔中的節點，不考慮它們的位置 . 選擇當前節點 .. 選取當前節點的父節點 @ 選取屬性 * 匹配任何元素節點 @* 匹配任何屬性節點 Node() 匹配任何類型的節點
CSS選擇器
CSS層疊樣式表，語法由兩個主要部分組成：選擇器，一條或多條聲明
Selector {declaration1;declaration2;……}
下面為常用的使用方法
.class .color 選擇class=”color”的所有元素 #id #info 選擇id=”info”的所有元素 * * 選擇所有元素 element p 選擇所有的p元素 element,element div,p 選擇所有div元素和所有p元素 element element div p 選擇div標簽內部的所有p元素 [attribute] [target] 選擇帶有targe屬性的所有元素 [arrtibute=value] [target=_blank] 選擇target=”_blank”的所有元素
選擇器的使用例子
上面我們列舉了兩種選擇器的常用方法，下面通過scrapy幫助文檔提供的一個地址來做演示
地址：http://doc.scrapy.org/en/latest/_static/selectors-sample1.html
這個地址的網頁源碼為：
<html>
<head>
<base href=‘http://example.com/‘ />
<title>Example website</title>
</head>
<body>
<div id=‘images‘>
<a href=‘image1.html‘>Name: My image 1 <br /><img src=‘image1_thumb.jpg‘ /></a>
<a href=‘image2.html‘>Name: My image 2 <br /><img src=‘image2_thumb.jpg‘ /></a>
<a href=‘image3.html‘>Name: My image 3 <br /><img src=‘image3_thumb.jpg‘ /></a>
<a href=‘image4.html‘>Name: My image 4 <br /><img src=‘image4_thumb.jpg‘ /></a>
<a href=‘image5.html‘>Name: My image 5 <br /><img src=‘image5_thumb.jpg‘ /></a>
</div>
</body>
</html>
我們通過scrapy shell http://doc.scrapy.org/en/latest/_static/selectors-sample1.html來演示兩種選擇器的功能
獲取title
這裏的extract_first()就可以獲取title標簽的文本內容,因為我們第一個通過xpath返回的結果是一個列表，所以我們通過extract()之後返回的也是一個列表，而extract_first()可以直接返回第一個值，extract_first()有一個參數default,例如：extract_first(default="")表示如果匹配不到返回一個空
In [1]: response.xpath(‘//title/text()‘) Out[1]: [<Selector xpath=‘//title/text()‘ data=‘Example website‘>] In [2]: response.xpath(‘//title/text()‘).extract_first() Out[2]: ‘Example website‘ In [6]: response.xpath(‘//title/text()‘).extract() Out[6]: [‘Example website‘]
同樣的我們也可以通過css選擇器獲取，例子如下：
In [7]: response.css(‘title::text‘) Out[7]: [<Selector xpath=‘descendant-or-self::title/text()‘ data=‘Example website‘>] In [8]: response.css(‘title::text‘).extract_first() Out[8]: ‘Example website‘
查找圖片信息
這裏通過xpath和css結合使用獲取圖片的src地址：
In [13]: response.xpath(‘//div[@id="images"]‘).css(‘img‘) Out[13]: [<Selector xpath=‘descendant-or-self::img‘ data=‘<img src="image1_thumb.jpg">‘>, <Selector xpath=‘descendant-or-self::img‘ data=‘<img src="image2_thumb.jpg">‘>, <Selector xpath=‘descendant-or-self::img‘ data=‘<img src="image3_thumb.jpg">‘>, <Selector xpath=‘descendant-or-self::img‘ data=‘<img src="image4_thumb.jpg">‘>, <Selector xpath=‘descendant-or-self::img‘ data=‘<img src="image5_thumb.jpg">‘>] In [14]: response.xpath(‘//div[@id="images"]‘).css(‘img::attr(src)‘).extract() Out[14]: [‘image1_thumb.jpg‘, ‘image2_thumb.jpg‘, ‘image3_thumb.jpg‘, ‘image4_thumb.jpg‘, ‘image5_thumb.jpg‘]
查找a標簽信息
這裏分別通過xapth和css選擇器獲取a標簽的href內容，以及文本信息，css獲取屬性信息是通過attr,xpath是通過@屬性名
In [15]: response.xpath(‘//a/@href‘) Out[15]: [<Selector xpath=‘//a/@href‘ data=‘image1.html‘>, <Selector xpath=‘//a/@href‘ data=‘image2.html‘>, <Selector xpath=‘//a/@href‘ data=‘image3.html‘>, <Selector xpath=‘//a/@href‘ data=‘image4.html‘>, <Selector xpath=‘//a/@href‘ data=‘image5.html‘>] In [16]: response.xpath(‘//a/@href‘).extract() Out[16]: [‘image1.html‘, ‘image2.html‘, ‘image3.html‘, ‘image4.html‘, ‘image5.html‘] In [17]: response.css(‘a::attr(href)‘) Out[17]: [<Selector xpath=‘descendant-or-self::a/@href‘ data=‘image1.html‘>, <Selector xpath=‘descendant-or-self::a/@href‘ data=‘image2.html‘>, <Selector xpath=‘descendant-or-self::a/@href‘ data=‘image3.html‘>, <Selector xpath=‘descendant-or-self::a/@href‘ data=‘image4.html‘>, <Selector xpath=‘descendant-or-self::a/@href‘ data=‘image5.html‘>] In [18]: response.css(‘a::attr(href)‘).extract() Out[18]: [‘image1.html‘, ‘image2.html‘, ‘image3.html‘, ‘image4.html‘, ‘image5.html‘] In [27]: response.css(‘a::text‘).extract() Out[27]: [‘Name: My image 1 ‘, ‘Name: My image 2 ‘, ‘Name: My image 3 ‘, ‘Name: My image 4 ‘, ‘Name: My image 5 ‘] In [28]: response.xpath(‘//a/text()‘).extract() Out[28]: [‘Name: My image 1 ‘, ‘Name: My image 2 ‘, ‘Name: My image 3 ‘, ‘Name: My image 4 ‘, ‘Name: My image 5 ‘] In [29]:
高級用法
查找屬性名稱包含img的所有的超鏈接，通過contains實現
In [36]: response.xpath(‘//a[contains(@href,"image")]/@href‘).extract() Out[36]: [‘image1.html‘, ‘image2.html‘, ‘image3.html‘, ‘image4.html‘, ‘image5.html‘] In [37]: response.css(‘a[href*=image]::attr(href)‘).extract() Out[37]: [‘image1.html‘, ‘image2.html‘, ‘image3.html‘, ‘image4.html‘, ‘image5.html‘] In [38]:
查找img的src屬性
In [41]: response.xpath(‘//a[contains(@href,"image")]/img/@src‘).extract() Out[41]: [‘image1_thumb.jpg‘, ‘image2_thumb.jpg‘, ‘image3_thumb.jpg‘, ‘image4_thumb.jpg‘, ‘image5_thumb.jpg‘] In [42]: response.css(‘a[href*=image] img::attr(src)‘).extract() Out[42]: [‘image1_thumb.jpg‘, ‘image2_thumb.jpg‘, ‘image3_thumb.jpg‘, ‘image4_thumb.jpg‘, ‘image5_thumb.jpg‘] In [43]:
提取a標簽的文本中name後面的內容，這裏提供了正則的方法re和re_first
In [43]: response.css(‘a::text‘).re(‘Name\:(.*)‘) Out[43]: [‘ My image 1 ‘, ‘ My image 2 ‘, ‘ My image 3 ‘, ‘ My image 4 ‘, ‘ My image 5 ‘] In [44]: response.css(‘a::text‘).re_first(‘Name\:(.*)‘) Out[44]: ‘ My image 1 ‘
Python爬蟲從入門到放棄（十四）之 Scrapy框架中選擇器的用法