scrapy 2.3 使用選擇器

2021-06-02 15:40 更新

為了解釋如何使用選擇器,我們將使用 ?Scrapy shell? (提供交互式測(cè)試)和位于Scrapy文檔服務(wù)器中的示例頁(yè)面:

https://docs.scrapy.org/en/latest/_static/selectors-sample1.html

為了完整起見,下面是完整的HTML代碼:

<html>
 <head>
  <base href='http://example.com/' />
  <title>Example website</title>
 </head>
 <body>
  <div id='images'>
   <a href='image1.html'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
   <a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
   <a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
   <a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
   <a href='image5.html'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
  </div>
 </body>
</html>

首先,讓我們打開外殼:

scrapy shell https://docs.scrapy.org/en/latest/_static/selectors-sample1.html

然后,在shell加載之后,您將得到可用的響應(yīng) ?response? shell變量及其附加的選擇器 ?response.selector? 屬性。

由于我們處理的是HTML,選擇器將自動(dòng)使用HTML解析器。

所以,通過觀察 HTML code 在該頁(yè)面中,讓我們構(gòu)造一個(gè)XPath來選擇title標(biāo)記內(nèi)的文本:

>>> response.xpath('//title/text()')
[<Selector xpath='//title/text()' data='Example website'>]

要實(shí)際提取文本數(shù)據(jù),必須調(diào)用選擇器 ?.get()? 或 ?.getall()? 方法如下:

>>> response.xpath('//title/text()').getall()
['Example website']
>>> response.xpath('//title/text()').get()
'Example website'

?.get()? 始終返回單個(gè)結(jié)果;如果有多個(gè)匹配項(xiàng),則返回第一個(gè)匹配項(xiàng)的內(nèi)容;如果沒有匹配項(xiàng),則不返回任何匹配項(xiàng)。 ?.getall()? 返回包含所有結(jié)果的列表。

請(qǐng)注意,CSS選擇器可以使用CSS3偽元素選擇文本或?qū)傩怨?jié)點(diǎn):

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

正如你所看到的, ?.xpath()? 和 ?.css()? 方法返回 ?SelectorList? 實(shí)例,它是新選擇器的列表。此API可用于快速選擇嵌套數(shù)據(jù):

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

如果只提取第一個(gè)匹配的元素,則可以調(diào)用選擇器 ?.get()? (或其別名) ?.extract_first()? 常用于舊版本):

>>> response.xpath('//div[@id="images"]/a/text()').get()
'Name: My image 1 '

它返回 ?None? 如果找不到元素:

>>> response.xpath('//div[@id="not-exists"]/text()').get() is None
True

可以將默認(rèn)返回值作為參數(shù)提供,以代替 ?None? :

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

而不是使用例如 ?'@src'? xpath可以使用 ?.attrib? A的性質(zhì) Selector :

>>> [img.attrib['src'] for img in response.css('img')]
['image1_thumb.jpg',
 'image2_thumb.jpg',
 'image3_thumb.jpg',
 'image4_thumb.jpg',
 'image5_thumb.jpg']

作為捷徑, ?.attrib? 也可以直接在SelectorList上使用;它返回第一個(gè)匹配元素的屬性:

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

當(dāng)只需要一個(gè)結(jié)果時(shí)(例如,按id選擇,或在網(wǎng)頁(yè)上選擇唯一元素時(shí)),此選項(xiàng)最有用:

>>> response.css('base').attrib['href']
'http://example.com/'

現(xiàn)在我們將獲得基本URL和一些圖像鏈接:

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


以上內(nèi)容是否對(duì)您有幫助:
在線筆記
App下載
App下載

掃描二維碼

下載編程獅App

公眾號(hào)
微信公眾號(hào)

編程獅公眾號(hào)