Scrapy笔记04- Selector详解

在你爬取网页的时候，最普遍的事情就是在页面源码中提取需要的数据，我们有几个库可以帮你完成这个任务：

  1. BeautifulSoup是python中一个非常流行的抓取库, 它还能合理的处理错误格式的标签，但是有一个唯一缺点就是：它运行很慢。
  2. lxml是一个基于ElementTree的XML解析库(同时还能解析HTML), 不过lxml并不是Python标准库

而Scrapy实现了自己的数据提取机制，它们被称为选择器，通过XPath或CSS表达式在HTML文档中来选择特定的部分

XPath是一用来在XML中选择节点的语言，同时可以用在HTML上面。 CSS是一种HTML文档上面的样式语言。

Scrapy选择器构建在lxml基础之上，所以可以保证速度和准确性。

本章我们来详细讲解下选择器的工作原理，还有它们极其简单和相似的API，比lxml的API少多了，因为lxml可以用于很多其他领域。

完整的API请查看Selector参考

关于选择器

Scrapy帮我们下载完页面后，我们怎样在满是html标签的内容中找到我们所需要的元素呢，这里就需要使用到选择器了，它们是用来定位元素并且提取元素的值。先来举几个例子看看：

  • /html/head/title: 选择节点, 它位于html文档的节点内
  • /html/head/title/text(): 选择上面的节点的内容.
  • //td: 选择页面中所有的元素
  • //div[@class=”mine”]: 选择所有拥有属性class="mine"的div元素

Scrapy使用css和xpath选择器来定位元素，它有四个基本方法：

  • xpath(): 返回选择器列表，每个选择器代表使用xpath语法选择的节点
  • css(): 返回选择器列表，每个选择器代表使用css语法选择的节点
  • extract(): 返回被选择元素的unicode字符串
  • re(): 返回通过正则表达式提取的unicode字符串列表

使用选择器

下面我们通过Scrapy shell演示下选择器的使用，假设我们有如下的一个网页http://doc.scrapy.org/en/latest/_static/selectors-sample1.html，内容如下：

Example website

Name: My image 1  Name: My image 2  Name: My image 3  Name: My image 4  Name: My image 5


首先我们打开shell

scrapy shell http://doc.scrapy.org/en/latest/_static/selectors-sample1.html

运行

>>> response.xpath('//title/text()')[]>>> response.css('title::text')[]

结果可以看出,xpath()和css()方法返回的是SelectorList实例，是一个选择器列表，你可以选择嵌套的数据：

>>> response.css('img').xpath('@src').extract()[u'image1_thumb.jpg', u'image2_thumb.jpg', u'image3_thumb.jpg', u'image4_thumb.jpg', u'image5_thumb.jpg']

必须使用.extract()才能提取最终的数据，如果你只想获得第一个匹配的，可以使用.extract_first()

>>> response.xpath('//div[@]/a/text()').extract_first()u'Name: My image 1 '

如果没有找到，会返回None，还可选择默认值

>>> response.xpath('//div[@id="not-exists"]/text()').extract_first(default='not-found')'not-found'

而CSS选择器还可以使用CSS3标准：

>>> response.css('title::text').extract()[u'Example website']

下面是几个比较全面的示例：

>>> response.xpath('//base/@href').extract()[u'http://example.com/']>>> response.css('base::attr(href)').extract()[u'http://example.com/']>>> response.xpath('//a[contains(@href, "image")]/@href').extract()[u'image1.html', u'image2.html', u'image3.html', u'image4.html', u'image5.html']>>> response.css('a[href*=image]::attr(href)').extract()[u'image1.html', u'image2.html', u'image3.html', u'image4.html', u'image5.html']>>> response.xpath('//a[contains(@href, "image")]/img/@src').extract()[u'image1_thumb.jpg', u'image2_thumb.jpg', u'image3_thumb.jpg', u'image4_thumb.jpg', u'image5_thumb.jpg']>>> response.css('a[href*=image] img::attr(src)').extract()[u'image1_thumb.jpg', u'image2_thumb.jpg', u'image3_thumb.jpg', u'image4_thumb.jpg', u'image5_thumb.jpg']

嵌套选择器

xpath()和css()返回的是选择器列表，所以你可以继续使用它们的方法。举例来讲：

>>> links = response.xpath('//a[contains(@href, "image")]')>>> links.extract()[u'Name: My image 1 ', u'Name: My image 2 ', u'Name: My image 3 ', u'Name: My image 4 ', u'Name: My image 5 ']>>> for index, link in enumerate(links):... args = (index, link.xpath('@href').extract(), link.xpath('img/@src').extract())... print 'Link number %d points to url %s and image %s' % argsLink number 0 points to url [u'image1.html'] and image [u'image1_thumb.jpg']Link number 1 points to url [u'image2.html'] and image [u'image2_thumb.jpg']Link number 2 points to url [u'image3.html'] and image [u'image3_thumb.jpg']Link number 3 points to url [u'image4.html'] and image [u'image4_thumb.jpg']Link number 4 points to url [u'image5.html'] and image [u'image5_thumb.jpg']

使用正则表达式

Selector有一个re()方法通过正则表达式提取数据，它返回的是unicode字符串列表，你不能再去嵌套使用

>>> response.xpath('//a[contains(@href, "image")]/text()').re(r'Name:s*(.*)')[u'My image 1', u'My image 2', u'My image 3', u'My image 4', u'My image 5']>>> response.xpath('//a[contains(@href, "image")]/text()').re_first(r'Name:s*(.*)')u'My image 1'

XPath相对路径

当你嵌套使用XPath时候，不要使用/开头的，因为这个会相对文档根节点开始算起，需要使用相对路径

>>> divs = response.xpath('//div')>>> for p in divs.xpath('.//p'): # extracts all
 inside... print p.extract()# 或者下面这个直接使用p也可以>>> for p in divs.xpath('p'):... print p.extract()



XPath建议

使用text作为条件时

避免使用.//text(),直接使用.

>>> sel.xpath("//a[contains(., 'Next Page')]").extract()[u'Click here to go to the Next Page']

//node[1]和(//node)[1]区别

  • //node[1]: 选择所有位于第一个子节点位置的node节点
  • (//node)[1]: 选择所有的node节点，然后返回结果中的第一个node节点

通过class查找时优先考虑CSS

>> from scrapy import Selector>>> sel = Selector(text='


Special date 
 
 
 ')>>> sel.css('.shout').xpath('./time/@datetime').extract()[u'2014-07-23 19:00']