Scrapy - 选择器

描述

当您抓取网页时，您需要使用称为选择器的机制提取 HTML 源的特定部分，该机制通过使用 XPath 或 CSS 表达式来实现。选择器基于lxml库构建，该库以 Python 语言处理 XML 和 HTML。

使用以下代码片段来定义选择器的不同概念 -

<html>
   <head>
      <title>My Website</title>
   </head>
   
   <body>
      <span>Hello world!!!</span>
      <div class = 'links'>
         <a href = 'one.html'>Link 1<img src = 'image1.jpg'/></a>
         <a href = 'two.html'>Link 2<img src = 'image2.jpg'/></a>
         <a href = 'three.html'>Link 3<img src = 'image3.jpg'/></a>
      </div>
   </body>
</html>

构造选择器

您可以通过传递文本或TextResponse对象来构造选择器类实例。根据提供的输入类型，选择器选择以下规则 -

from scrapy.selector import Selector 
from scrapy.http import HtmlResponse

使用上面的代码，您可以将文本构造为 -

Selector(text = body).xpath('//span/text()').extract()

它将显示结果为 -

[u'Hello world!!!']

您可以根据响应构建 -

response = HtmlResponse(url = 'http://mysite.com', body = body) 
Selector(response = response).xpath('//span/text()').extract()

它将显示结果为 -

[u'Hello world!!!']

使用选择器

使用上面的简单代码片段，您可以构建用于选择标题标签中定义的文本的 XPath，如下所示 -

>>response.selector.xpath('//title/text()')

现在，您可以使用.extract()方法提取文本数据，如下所示 -

>>response.xpath('//title/text()').extract()

它将产生如下结果：

[u'My Website']

您可以显示所有元素的名称，如下所示 -

>>response.xpath('//div[@class = "links"]/a/text()').extract()

它将把元素显示为 -

Link 1
Link 2
Link 3

如果要提取第一个元素，请使用方法.extract_first()，如下所示 -

>>response.xpath('//div[@class = "links"]/a/text()').extract_first()

它将把元素显示为 -

Link 1

嵌套选择器

使用上面的代码，您可以使用.xpath()方法嵌套选择器以显示页面链接和图像源，如下所示 -

links = response.xpath('//a[contains(@href, "image")]') 

for index, link in enumerate(links): 
   args = (index, link.xpath('@href').extract(), link.xpath('img/@src').extract()) 
   print 'The link %d pointing to url %s and image %s' % args

它将显示结果为 -

Link 1 pointing to url [u'one.html'] and image [u'image1.jpg']
Link 2 pointing to url [u'two.html'] and image [u'image2.jpg']
Link 3 pointing to url [u'three.html'] and image [u'image3.jpg']

使用正则表达式的选择器

Scrapy 允许使用正则表达式提取数据，它使用.re()方法。从上面的 HTML 代码中，我们将提取图像名称，如下所示 -

>>response.xpath('//a[contains(@href, "image")]/text()').re(r'Name:\s*(.*)')

上面的行将图像名称显示为 -

[u'Link 1', 
u'Link 2', 
u'Link 3']

使用相对 XPath

当您使用以/开头的 XPath 时，嵌套选择器和 XPath 与文档的绝对路径相关，而不是选择器的相对路径。

如果你想提取<p>元素，那么首先获取所有 div 元素 -

>>mydiv = response.xpath('//div')

接下来，您可以通过在 XPath 前面添加一个点作为.//p来提取其中的所有“p”元素，如下所示 -

>>for p in mydiv.xpath('.//p').extract()

使用 EXSLT 扩展

EXSLT 是一个发布 XSLT（可扩展样式表语言转换）扩展的社区，该扩展可将 XML 文档转换为 XHTML 文档。您可以将 EXSLT 扩展与 XPath 表达式中注册的命名空间一起使用，如下表所示 -

先生编号	前缀和用法	命名空间
1	关于常用表达	http://exslt.org/regexp/index.html
2	放设置操作	http://exslt.org/set/index.html

先生编号

前缀和用法

命名空间

关于

常用表达

http://exslt.org/regexp/index.html

放

设置操作

http://exslt.org/set/index.html

您可以查看上一节中使用正则表达式提取数据的简单代码格式。

有一些 XPath 提示，在将 XPath 与 Scrapy 选择器一起使用时非常有用。欲了解更多信息，请点击此链接。