Python爬虫 --- 2.2 Scrapy 选择器的介绍

最新推荐文章于 2024-09-04 20:18:34 发布

圆方圆PYTHON学院

最新推荐文章于 2024-09-04 20:18:34 发布

阅读量106

点赞数

分类专栏： python爬虫文章标签： python 爬虫 scrapy 选择器

python爬虫专栏收录该内容

18 篇文章 0 订阅

订阅专栏

原文链接：https://www.fkomm.cn/article/2018/8/2/27.html

在使用Scrapy框架之前，我们必须先了解它是如何筛选数据的

Scrapy提取数据有自己的一套机制，被称作选择器（selectors）,通过特定的Xpath或者CSS表达式来选择HTML文件的某个部分, Xpath是专门在XML文件中选择节点的语言，也可以用在HTML上。 CSS是一门将HTML文档样式化的语言，选择器由它定义，并与特定的HTML元素的样式相关联。而且这些选择器构造于‘lxml’之上，这就意味着Scrapy框架下的数据筛选有着很高的效率。

基本选择器：

Scrapy爬虫支持多种信息提取的方法:

Beautiful Soup
Lxml
re
XPath Selector
CSS Selector

下面我们来介绍Xpath选择器和CSS选择器的使用：

Xpath选择器

介绍一下XPath：

XPath 是一门在xml文档中查找信息的语言，它可以在XML文档中对于原色和属性进行遍历。其内置了超过100个内建函数，这些函数用于对字符串值，数值、日期、时间进行比较遍历。总之是一门很方便的语言。
在网络爬虫中，我们只需要利用XPath来采集数据，所以只要掌握一些基本语法，就可以上手使用了。

基本使用语法，如下表：
实例介绍：

下面我们将以这个book.xml为例子来介绍:

<html>
     <body>
         <bookstore>
             <book>
                 <title>水浒传</title>
                 <author>施耐庵</author>
                 <price>58.95</price>
             </book>
             <book>
                 <title>西游记</title>
                 <author>吴承恩</author>
                 <price>58.3</price>
             </book>
             <book>
                 <title>三国演义</title>
                 <author>罗贯中</author>
                 <price>48.3</price>
             </book>
             <book>
                 <title>红楼梦</title>
                 <author>曹雪芹</author>
                 <price>75</price>
             </book>
         </bookstore>
     </body>
 </html>

先将我们需要使用的模块导入（调试环境为ipython）：

In [1]: from scrapy.selector import Selector

  In [2]: body = open('book.xml','r').read()

  In [3]: print(body)
  <html>
      <body>
          <bookstore>
              <book>
                  <title>水浒传</title>
                  <author>施耐庵</author>
                  <price>58.95</price>
              </book>
              <book>
                  <title>西游记</title>
                  <author>吴承恩</author>
                  <price>58.3</price>
              </book>
              <book>
                  <title>三国演义</title>
                  <author>罗贯中</author>
                  <price>48.3</price>
              </book>
              <book>
                  <title>红楼梦</title>
                  <author>曹雪芹</author>
                  <price>75</price>
              </book>
          </bookstore>
      </body>
  </html>

  In [4]: body
  Out[4]: '<html>\n\t<body>\n\t\t<bookstore>\n\t\t\t<book>\n\t\t\t\t<title>水浒传</title>\n\t\t\t\t<author>施耐庵</author>\n\t\t\t\t<price>58.95</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>西游记</title>\n\t\t\t\t<author>吴承恩</author>\n\t\t\t\t<price>58.3</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>三国演义</title>\n\t\t\t\t<author>罗贯中</author>\n\t\t\t\t<price>48.3</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>红楼梦</title>\n\t\t\t\t<author>曹雪芹</author>\n\t\t\t\t<price>75</price>\n\t\t\t</book>\n\t\t</bookstore>\n\t</body>\n</html>'

  In [5]:

下面我们来举几个小例子，说明一下如何通过xpath找到我们想要的数据：

In [5]: print("如果我们要第一个book的内容")
  如果我们要第一个book的内容

  In [7]: Selector(text=body).xpath('/html/body/bookstore/book[1]').extract()
  Out[7]: ['<book>\n\t\t\t\t<title>水浒传</title>\n\t\t\t\t<author>施耐庵</author>\n\t\t\t\t<price>58.95</price>\n\t\t\t</book>']

  In [8]: print("如果我们要最后一个book的内容")
  如果我们要最后一个book的内容

  In [9]: Selector(text=body).xpath('/html/body/bookstore/book[last()]').extract()
  Out[9]: ['<book>\n\t\t\t\t<title>红楼梦</title>\n\t\t\t\t<author>曹雪芹</author>\n\t\t\t\t<price>75</price>\n\t\t\t</book>']

  In [10]: print("如果我们要最后一个book的author属性的文本")
  如果我们要最后一个book的author属性的文本

  In [11]: Selector(text=body).xpath('/html/body/bookstore/book[last()]/author/text()').extract()
  Out[11]: ['曹雪芹']

  In [12]: print("下面是xpath的嵌套使用")
  下面是xpath的嵌套使用

  In [13]: subbody=Selector(text=body).xpath('/html/body/bookstore/book[3]').extract()

  In [14]: Selector(text=subbody[0]).xpath('//author/text()').extract()
  Out[14]: ['罗贯中']

  In [15]: Selector(text=subbody[0]).xpath('//book/author/text()').extract()
  Out[15]: ['罗贯中']

  In [16]: Selector(text=subbody[0]).xpath('//book/title/text()').extract()
  Out[16]: ['三国演义']

CSS选择器

介绍一下CSS：

和Xpath选择器比起来,感觉CSS选择器容易一些，跟写.css时方法基本一样，就是在获取内容时和Xpath不同,这里需要注意一下。
基本使用语法，如下表：
实例介绍：

下面我们还是以这个book.xml为例子来介绍:

上面xpath讲过如何导入模块了，下面我们来举几个小例子，说明一下如何通过css找到我们想要的数据：

In [2]: print("如果我们要所有节点的内容")
  如果我们所有节点的内容

  In [3]: Selector(text=body).css('*').extract()
  Out[3]:
  ['<html>\n\t<body>\n\t\t<bookstore>\n\t\t\t<book>\n\t\t\t\t<title>水浒传</title>\n\t\t\t\t<author>施耐庵</author>\n\t\t\t\t<price>58.95</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>西游记</title>\n\t\t\t\t<author>吴承恩</author>\n\t\t\t\t<price>58.3</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>三国演义</title>\n\t\t\t\t<author>罗贯中</author>\n\t\t\t\t<price>48.3</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>红楼梦</title>\n\t\t\t\t<author>曹雪芹</author>\n\t\t\t\t<price>75</price>\n\t\t\t</book>\n\t\t</bookstore>\n\t</body>\n</html>',
  '<body>\n\t\t<bookstore>\n\t\t\t<book>\n\t\t\t\t<title>水浒传</title>\n\t\t\t\t<author>施耐庵</author>\n\t\t\t\t<price>58.95</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>西游记</title>\n\t\t\t\t<author>吴承恩</author>\n\t\t\t\t<price>58.3</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>三国演义</title>\n\t\t\t\t<author>罗贯中</author>\n\t\t\t\t<price>48.3</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>红楼梦</title>\n\t\t\t\t<author>曹雪芹</author>\n\t\t\t\t<price>75</price>\n\t\t\t</book>\n\t\t</bookstore>\n\t</body>',
  '<bookstore>\n\t\t\t<book>\n\t\t\t\t<title>水浒传</title>\n\t\t\t\t<author>施耐庵</author>\n\t\t\t\t<price>58.95</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>西游记</title>\n\t\t\t\t<author>吴承恩</author>\n\t\t\t\t<price>58.3</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>三国演义</title>\n\t\t\t\t<author>罗贯中</author>\n\t\t\t\t<price>48.3</price>\n\t\t\t</book>\n\t\t\t<book>\n\t\t\t\t<title>红楼梦</title>\n\t\t\t\t<author>曹雪芹</author>\n\t\t\t\t<price>75</price>\n\t\t\t</book>\n\t\t</bookstore>',
  '<book>\n\t\t\t\t<title>水浒传</title>\n\t\t\t\t<author>施耐庵</author>\n\t\t\t\t<price>58.95</price>\n\t\t\t</book>',
  '<title>水浒传</title>',
  '<author>施耐庵</author>',
  '<price>58.95</price>',
  '<book>\n\t\t\t\t<title>西游记</title>\n\t\t\t\t<author>吴承恩</author>\n\t\t\t\t<price>58.3</price>\n\t\t\t</book>',
  '<title>西游记</title>',
  '<author>吴承恩</author>',
  '<price>58.3</price>',
  '<book>\n\t\t\t\t<title>三国演义</title>\n\t\t\t\t<author>罗贯中</author>\n\t\t\t\t<price>48.3</price>\n\t\t\t</book>',
  '<title>三国演义</title>',
  '<author>罗贯中</author>',
  '<price>48.3</price>',
  '<book>\n\t\t\t\t<title>红楼梦</title>\n\t\t\t\t<author>曹雪芹</author>\n\t\t\t\t<price>75</price>\n\t\t\t</book>',
  '<title>红楼梦</title>',
  '<author>曹雪芹</author>',
  '<price>75</price>']

  In [4]: print("如果我们要bookstore下的所有内容")
  如果我们要bookstore下的所有内容

  In [5]: Selector(text=body).css('bookstore book').extract()
  Out[5]:
  ['<book>\n\t\t\t\t<title>水浒传</title>\n\t\t\t\t<author>施耐庵</author>\n\t\t\t\t<price>58.95</price>\n\t\t\t</book>',
  '<book>\n\t\t\t\t<title>西游记</title>\n\t\t\t\t<author>吴承恩</author>\n\t\t\t\t<price>58.3</price>\n\t\t\t</book>',
  '<book>\n\t\t\t\t<title>三国演义</title>\n\t\t\t\t<author>罗贯中</author>\n\t\t\t\t<price>48.3</price>\n\t\t\t</book>',
  '<book>\n\t\t\t\t<title>红楼梦</title>\n\t\t\t\t<author>曹雪芹</author>\n\t\t\t\t<price>75</price>\n\t\t\t</book>']

由于book.xml没有元素，只有节点，所以只能列举以上例子，大家可以看到，css选择器比起xpath选择器更为的简洁。