當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

4-----Scrapy框架中选择器的用法

發(fā)布時間：2023/11/29 编程问答 24 豆豆

生活随笔收集整理的這篇文章主要介紹了 4-----Scrapy框架中选择器的用法小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

Scrapy提取數(shù)據(jù)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(jié)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，并與特定的HTML元素的樣式相關聯(lián)。

XPath選擇器

常用的路徑表達式，這里列舉了一些常用的，XPath的功能非常強大，內含超過100個的內建函數(shù)。
下面為常用的方法

nodeName 選取此節(jié)點的所有節(jié)點 / 從根節(jié)點選取 // 從匹配選擇的當前節(jié)點選擇文檔中的節(jié)點，不考慮它們的位置 . 選擇當前節(jié)點 .. 選取當前節(jié)點的父節(jié)點 @ 選取屬性 * 匹配任何元素節(jié)點 @* 匹配任何屬性節(jié)點 Node() 匹配任何類型的節(jié)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(wǎng)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>

我們通過下面來演示兩種選擇器的功能：

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

這里的 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()之后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(shù) 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
這里通過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
這里分別通過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(xiàn)

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后面的內容，這里提供了正則的方法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 '

轉載于:https://www.cnblogs.com/edeny/p/9855878.html

總結

以上是生活随笔為你收集整理的4-----Scrapy框架中选择器的用法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。