教程 > Scrapy 教程 > Scrapy 基础 阅读：35

Scrapy 选择器

当我们抓取网页时，需要使用称为选择器的机制提取 HTML 源的特定部分，该机制通过使用 XPath 或 CSS 表达式来实现。 选择器建立在 lxml 库之上，它以 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> 迹忆客 </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>

构建选择器

我们可以通过传递文本或 TextResponse 对象来构造选择器类实例。 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，我们可以从文本构造为

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

它将结果显示为

[u'Hello world!!!']

我们可以从响应构造为

response = HtmlResponse(url = 'http://mysite.com', body = body) 
Selector(response = response).xpath('//span/text()').extract()

结果显示如下

[u'Hello world!!!']

使用选择器

使用上面的简单代码片段，我们可以构建用于选择标题标签中定义的文本的 XPath，如下所示

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

现在，我们可以使用 .extract() 方法提取文本数据，如下所示

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

结果显示如下

[u'My Website']

我们可以显示所有元素的名称，如下所示

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

它将元素显示为

Link 1
Link 2
Link 3

如果要提取第一个元素，则使用.extract_first()方法，如下所示

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

元素显示如下所示

Link 1

嵌套选择器

使用上面的代码，可以使用 .xpath() 方法嵌套选择器来显示页面链接和图片来源，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

结果显示如下

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 允许使用正则表达式提取数据，它使用 .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*(.*)')

上面一行将图像名称显示为

[u'Link 1', 
u'Link 2', 
u'Link 3']

使用相对 XPath

当我们使用以 / 开头的 XPath 时，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，那么首先获取所有div元素

mydiv = response.xpath('//div')

接下来，我们可以提取其中的所有“p”元素，方法是在 XPath 前加上一个点作为 .//p 的前缀，如下所示

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，可将 XML 文档转换为 XHTML 文档。 我们可以将 EXSLT 扩展与 XPath 表达式中已注册的命名空间一起使用，如下表所示

序号 前缀 用法 命名空间
1 re 正则表达式 http://exslt.org/regexp/index.html
2 set set 操作 http://exslt.org/set/index.html

我们可以查看上一节使用正则表达式提取数据的简单代码格式。

有一些 XPath 技巧，在将 XPath 与 Scrapy 选择器一起使用时很有用。 有关更多信息，请单击此链接

查看笔记

扫码一下
查看教程更方便