Scrapy学习篇（六）之选择器

当我们取得了网页的response之后，最关键的就是如何从繁杂的网页中把我们需要的数据提取出来，python从网页中提取数据的包很多，常用的有下面的几个：

• BeautifulSoup
  它基于HTML代码的结构来构造一个Python对象， 对不良标记的处理也非常合理，但是速度上有所欠缺。
• lxml
  是一个基于 ElementTree (不是Python标准库的一部分)的python化的XML解析库(也可以解析HTML)。

你可以在scrapy中使用任意你熟悉的网页数据提取工具，但是，scrapy本身也为我们提供了一套提取数据的机制，我们称之为选择器(seletors)，他们通过特定的 XPath 或者 CSS 表达式来“选择” HTML文件中的某个部分。XPath 是一门用来在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元素的样式相关连。
Scrapy选择器构建于 lxml 库之上，这意味着它们在速度和解析准确性上非常相似。下面我们来了解scrapy选择器。

使用选择器

scrapy中调用选择器的方法非常的简单，下面我们从实例中进行学习。
我们还是以博客园首页的信息作为例子，演示使用选择器抓取数据，下图是首页的html信息，我们下面就是抓取标题，链接，阅读数，评论数。

import scrapy
from scrapy.selector import Selector

class Cnblog_Spider(scrapy.Spider):

    name = "cnblog"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
     'https://www.cnblogs.com/',
    ]

    def parse(self, response):
        selector = Selector(response=response)
        title = selector.xpath('//a[@class="titlelnk"]/text()').extract()
        link = selector.xpath('//a[@class="titlelnk"]/@href').extract()
        read = selector.xpath('//span[@class="article_comment"]/a/text()').extract()
        comment = selector.xpath('//span[@class="article_view"]/a/text()').extract()
        print('这是title：',title)
        print('这是链接：', link)
        print('这是阅读数', read)
        print('这是评论数', comment)

选择器的使用可以分为下面的三步：

1. 导入选择器from scrapy.selector import Selector
2. 创建选择器实例selector = Selector(response=response)
3. 使用选择器selector.xpath()或者selector.css()

当然你可以使用xpath或者css中的任意一种或者组合使用，怎么方便怎么来,至于xpath和css语法，你可以去额外学习，仔细观察，你会发现每个选择器最后都有一个extract()，你可以尝试去掉这个看一下，区别在于，当你没有使用extract()的时候，提取出来的内容依然具有选择器属性，简而言之，你可以继续使用里面的内容进行提取下级内容，而当你使用了extract()之后，提取出来的内容就会变成字符串格式了。我们进行多级提取的时候，这会很有用。值得注意的是，选择器提取出来的内容是放在列表里面的，即使没有内容，那也是一个空列表，下面我们运行这个爬虫，你会发现内容已经被提取出来了。

事实上，我们可以完全不用那么麻烦，因为scrapy为我们提供了选择器的简易用法，当我们需要选择器的时候，只要一步就可以了，如下：

import scrapy

class Cnblog_Spider(scrapy.Spider):
    name = "cnblog"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
        'https://www.cnblogs.com/',
    ]

    def parse(self, response):
        title = response.xpath('//a[@class="titlelnk"]/text()').extract()
        link = response.xpath('//a[@class="titlelnk"]/@href').extract()
        read = response.xpath('//span[@class="article_comment"]/a/text()').extract()
        comment = response.xpath('//span[@class="article_view"]/a/text()').extract()
        print('这是title：', title)
        print('这是链接：', link)
        print('这是阅读数', read)
        print('这是评论数', comment)

可以看到，我们直接使用response.xpath()就可以了，并没有导入什么，实例化什么，可以说非常方便了，当然直接response.css()一样可以。

拓展

scrapy为我们提供的选择器还有一些其他的特点，这里我们简单的列举

• extract()

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

  前面已经提到了，.xpath() 及 .css() 方法返回一个类 SelectorList 的实例, 它是一个新选择器的列表，就是说，你依然可以使用里面的元素进行向下提取，因为它还是一个选择器，为了提取真实的原文数据，我们需要调用 .extract()
• extract_first()
  如果想要提取到第一个匹配到的元素, 可以调用response.xpath('//span[@class="article_view"]/a/text()').extract_first() 这样我们就拿到了第一个匹配的数据，当然，我们之前提到了选择器返回的数据是一个列表，那么你当然可以使用response.xpath('//span[@class="article_view"]/a/text()').extract()[0]拿到第一个匹配的数据，这和response.xpath('//span[@class="article_view"]/a/text()')[0].extract()效果是一样的，值得注意的是，如果是空列表，这两种方法的区别就出现了，extract_first()会返回None，而后面的那种方法，就会因列表为空而报错。
  除此之外，我们还可以为extract_first()设置默认值，当空列表时，就会返回一个我们设置的值，比如：extract_first(default='not-found')。

结合正则表达式

你会发现，之前我们匹配的阅读数，评论数都会有汉字在里面，如果我们只想提取里面的数字呢，这个时候就可以使用正则表达式和选择器配合来实现，比如下面：

import scrapy

class Cnblog_Spider(scrapy.Spider):
    name = "cnblog"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
        'https://www.cnblogs.com/',
    ]

    def parse(self, response):
        read = response.xpath(
                '//span[@class="article_comment"]/a/text()').re('\d+')
        comment = response.xpath(
                '//span[@class="article_view"]/a/text()').re('\d+')
        print('这是阅读数', read)
        print('这是评论数', comment)

运行一下，可以看到，效果就出来了。