Scrapy进阶知识点总结（二）——选择器Selectors

1. Selectors选择器

在抓取网页时，您需要执行的最常见任务是从HTML源提取数据。有几个库可用于实现此目的，例如：

• BeautifulSoup是Python程序员中非常流行的Web抓取库，它基于HTML代码的结构构造Python对象，并且相当好地处理坏标记，但它有一个缺点：它很慢。
• lxml是一个XML解析库（也可以解析HTML），它使用基于ElementTree的pythonic API 。（lxml不是Python标准库的一部分。）

Scrapy带有自己的提取数据机制。它们被称为选择器，因为它们“选择”由XPath或CSS表达式指定的HTML文档的某些部分。

XPath是一种用于在XML文档中选择节点的语言，也可以与HTML一起使用。CSS是一种将样式应用于HTML文档的语言。它定义选择器以将这些样式与特定HTML元素相关联。

Selector是基于lxml来构建的，支持XPath选择器、CSS选择器以及正则表达式，功能全面，解析速度和准确度非常高。

 

2. 选择器使用

1.通过response响应对象属性.selector构建选择器实例

response.selector.xpath('//span/text()').get()

使用XPath和CSS查询响应非常常见，响应包括另外两个快捷方式：response.xpath()和response.css()：

>>> response.xpath('//span/text()').get()
'good'
>>> response.css('span::text').get()
'good'

 

2.直接使用Selectors构建

从HTML文本构造

>>> from scrapy.selector import Selector
>>> body = 'good'
>>> Selector(text=body).xpath('//span/text()').get()
'good'

从响应构造

>>> from scrapy.selector import Selector
>>> from scrapy.http import HtmlResponse
>>> response = HtmlResponse(url='http://example.com', body=body)
>>> Selector(response=response).xpath('//span/text()').get()
'good'

 

3. CSS选择器

基础选择器

选择器	含义
*	通用元素选择器，匹配页面任何元素（这也就决定了我们很少使用）
#id	id选择器，匹配特定id的元素
.class	类选择器，匹配class包含(不是等于)特定类的元素
element	标签选择器 根据标签选择元素
[attr]	属性选择器 根据元素属性去选择

组合选择器

选择器	示例	示例说明	含义
elementE,elementF	div,p	选择所有 元素和 元素	多元素选择器，用”,分隔，同时匹配元素E或元素F
elementE elementF	div p	选择 元素内的所有 元素	后代选择器，用空格分隔，匹配E元素所有的后代（不只是子元素、子元素向下递归）元素F
elementE>elementF	div>p	选择所有父级是 元素的 元素	子元素选择器，用”>”分隔，匹配E元素的所有直接子元素
elementE+elementF	div+p	选择所有紧接着 元素之后的 元素	直接相邻选择器，匹配E元素之后的相邻的同级元素F
elementE~elementF	p~ul	选择p元素之后的每一个ul元素	普通相邻选择器，匹配E元素之后的同级元素F（无论直接相邻与否）
.class1.class2	.user.login	匹配如 元素	匹配类名中既包含class1又包含class2的元素

CSS选择器是前端的基础,以上只给了比较重要的内容，具体CSS选择器内容可以去w3school参考

 

Scrapy中CSS选择器的拓展

根据W3C标准，CSS选择器不支持选择文本节点或属性值。但是在Web抓取环境中选择这些是非常重要的，Scrapy（parsel）实现了一些非标准的伪元素

• 要选择文本节点，使用 ::text
• 选择属性值，用::attr(name) name是指你想要的价值属性的名称

#没有用::text，对selectors对象使用get方法后，返回的是匹配的html元素

>>> response.css('title').get()


#使用::text就是返回标签内的文本

>>> response.css('title::text').get()
'Example website'

#Name: My image 1 
 使用a::attr(href)可以提取属性

>>>response.css('a::attr(href)').get()
'image1.html'

 

4. XPath

XPath，全称 XML Path Language，即 XML 路径语言，它是一门在XML文档中查找信息的语言。XPath 最初设计是用来搜寻XML文档的，但是它同样适用于 HTML 文档的搜索。

1.XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。 下面列出了最有用的路径表达式

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

举例如下

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点。
/bookstore	选取根元素 bookstore。 注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素。
//book	选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book	选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang	选取名为 lang 的所有属性。

2.谓语用来查找某个特定的节点或者包含某个指定的值的节点。谓语被嵌在方括号中。

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

3.选取未知节点

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

实例如下:

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。

同样scrapy也给XPath拓展了方法，使用.//text()可以选择文本

摘自https://www.w3school.com.cn/xpath/xpath_syntax.asp

 

5. .xpath()和.css()方法

css(query)

应用给定的CSS选择器并返回一个SelectorList实例。（SelectorList实例可以理解为Selector组成的list）

query 是一个包含要应用的CSS选择器的字符串。

在后台，CSS查询使用cssselect库和run .xpath()方法转换为XPath查询 。

>>> response.css("link")
['descendant-or-self::link' data=''>,
 'descendant-or-self::link' data=''>,
 ...

 

xpath(query, namespaces=None, **kwargs)

查找与xpath匹配的节点query，并将结果作为SelectorList实例返回， 并将所有元素展平。List元素也实现了Selector接口。

query 是一个包含要应用的XPATH查询的字符串。

namespaces是一个可选的映射（dict），用于注册的人的附加前缀。相反，这些前缀不会保存以供将来调用。

>>> response.xpath("//link")
['//link' data=''>,
 '//link' data=''>,
 ...

 

串联查询

由于css()与xpath()方法返回SelectorList实例，并且SelectorList实例也有与Selector对象相同的方法(SelectorList实例的方法可以理解为list中所有Selector遍历执行)，所以可以在返回结果上继续查询

response.css(".quote").css("small")

#这个就是先查找出所有class=quote的元素，然后在这些元素中查找small标签元素

 

6. .get()与.getall()

get()

以unicode字符串返回第一个真实的数据，没有css xpath拓展方法（::text ::attr //text()），就返回匹配的html元素数据

getall()

以unicode字符串list返回所有数据，其它同get()一样

默认返回值

如果没有匹配到元素则返回None，但是可以提供默认返回值作为参数，以代替None

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

.get() .getall()与extract() extract_first()

SelectorList.get()与SelectorList.extract_first()实际是一样的，同理SelectorList.getall()与SelectorList.extract()相同

 

7. Selector其他属性方法

.attrib

返回底层元素的属性字典

 

>>> response.css('img').attrib['src']
'image1_thumb.jpg'

re(regex，replace_entities = True )

Selector还有一种.re()使用正则表达式提取数据的方法。但是，与 .xpath()或 .css()不同，.re()返回unicode字符串列表。所以你不能构造嵌套的.re()调用。

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

 

转载于:https://www.cnblogs.com/fengf233/p/11281925.html