Scrapy - 提取项目


描述

为了从网页中提取数据,Scrapy 使用一种称为基于XPathCSS表达式的选择器的技术。以下是 XPath 表达式的一些示例 -

  • /html/head/title - 这将选择 HTML 文档的 <head> 元素内的 <title> 元素。

  • /html/head/title/text() - 这将选择同一 <title> 元素中的文本。

  • //td - 这将从 <td> 中选择所有元素。

  • //div[@class = "slice"] - 这将从div中选择包含属性 class = "slice" 的所有元素

选择器有四种基本方法,如下表所示 -

先生编号 方法及说明
1

提炼()

它返回一个 unicode 字符串以及所选数据。

2

关于()

它返回一个 unicode 字符串列表,当将正则表达式作为参数给出时提取该列表。

3

xpath()

它返回一个选择器列表,该列表表示由作为参数给出的 xpath 表达式选择的节点。

4

CSS()

它返回一个选择器列表,它表示由作为参数给出的 CSS 表达式选择的节点。

在 Shell 中使用选择器

要使用内置 Scrapy shell 演示选择器,您需要在系统中安装IPython 。这里重要的是,运行 Scrapy 时,URL 应包含在引号内;否则带有“&”字符的 URL 将不起作用。您可以在项目的顶级目录中使用以下命令来启动 shell -

scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"

shell 如下所示 -

[ ... Scrapy log here ... ]

2014-01-23 17:11:42-0400 [scrapy] DEBUG: Crawled (200) 
<GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>(referer: None)
[s] Available Scrapy objects:
[s]   crawler    <scrapy.crawler.Crawler object at 0x3636b50>
[s]   item       {}
[s]   request    <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
[s]   response   <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
[s]   settings   <scrapy.settings.Settings object at 0x3fadc50>
[s]   spider     <Spider 'default' at 0x3cebf50>
[s] Useful shortcuts:
[s]   shelp()           Shell help (print this help)
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects
[s]   view(response)    View response in a browser

In [1]:

当shell加载时,您可以分别使用response.bodyresponse.header访问主体或标头。同样,您可以使用response.selector.xpath()response.selector.css()对响应运行查询。

例如 -

In [1]: response.xpath('//title')
Out[1]: [<Selector xpath = '//title' data = u'<title>My Book - Scrapy'>]

In [2]: response.xpath('//title').extract()
Out[2]: [u'<title>My Book - Scrapy: Index: Chapters</title>']

In [3]: response.xpath('//title/text()')
Out[3]: [<Selector xpath = '//title/text()' data = u'My Book - Scrapy: Index:'>]

In [4]: response.xpath('//title/text()').extract()
Out[4]: [u'My Book - Scrapy: Index: Chapters']

In [5]: response.xpath('//title/text()').re('(\w+):')
Out[5]: [u'Scrapy', u'Index', u'Chapters']

提取数据

要从普通 HTML 站点提取数据,我们必须检查站点的源代码以获取 XPath。检查后可以看到数据会在ul标签中。选择li标签内的元素。

以下代码行显示了不同类型数据的提取 -

用于选择 li 标签内的数据 -

response.xpath('//ul/li')

用于选择描述 -

response.xpath('//ul/li/text()').extract()

用于选择网站标题 -

response.xpath('//ul/li/a/text()').extract()

用于选择站点链接 -

response.xpath('//ul/li/a/@href').extract()

以下代码演示了上述提取器的使用 -

import scrapy

class MyprojectSpider(scrapy.Spider):
   name = "project"
   allowed_domains = ["dmoz.org"]
   
   start_urls = [
      "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
      "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
   ]
   def parse(self, response):
      for sel in response.xpath('//ul/li'):
         title = sel.xpath('a/text()').extract()
         link = sel.xpath('a/@href').extract()
         desc = sel.xpath('text()').extract()
         print title, link, desc