Scrapy - 选择器

描述

当您在抓取网页时,您需要使用名为选择器的机制来提取HTML源的某个部分,使用XPath或CSS表达式.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来构造选择器类实例 TextResponse 对象.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,您可以从文本构造为 :

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

它将显示结果为 :

[u'Hello world!!!']

你可以从响应构建为 :

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c ode片段,您可以构造XPath以选择标题标签中定义的文本,如下所示 :

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

现在,您可以使用 .extract()提取文本数据方法如下所示 :

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

它会产生结果为 :

 
 [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()

它将显示元素为 :

Link 1
Link 2
Link 3

如果你想提取第一个元素,那么你方法 .extract_first(),如下所示 :

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

它将元素显示为 :

 
 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允许提取使用正则表达式的数据,使用 .re()方法.从上面的HTML代码中,我们将提取如下所示的图像名称 :

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

上面的行显示图像名称为 :

[u'Link 1', 
u'Link 2', 
u'Link 3']

使用相对XPath

当您使用XPath时,以/开头,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.

如果要提取< p> 元素,然后首先获得所有div元素 :

 
>> mydiv = response .xpath('//div')

接下来,您可以通过在前面添加前缀来提取内部的所有'p'元素带有点为 .//p 的XPath,如下所示&m inus;

 
>> 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,它将XML文档转换为XHTML文档.您可以在XPath表达式中使用带有已注册命名空间的EXSLT扩展,如下表所示 :

Sr.No前缀&用法命名空间
1

重新

正则表达式

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

2

设置

设置操作

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

您可以查看简单的代码格式在上一节中使用正则表达式提取数据.

有一些XPath技巧,在将XPath与Scrapy选择器一起使用时非常有用.有关详细信息.