Python爬虫

在使用Scrapy框架之前，我们必须先了解它是如何筛选数据的，

Scrapy提取数据有自己的一套机制，被称作选择器（selectors）,通过特定的Xpath或者CSS表达式来选择HTML文件的某个部分
Xpath是专门在XML文件中选择节点的语言，也可以用在HTML上。
CSS是一门将HTML文档样式化语言，选择器由它定义，并与特定的HTML元素的样式相关联。而且这些选择器构造于‘lxml’之上，这就意味着Scrapy框架下的数据筛选有着很高的效率。

基本选择器：

Scrapy爬虫支持多种信息提取的方法:

Beautiful Soup
Lxml
re
XPath Selector
CSS Selector

下面我们来介绍Xpath选择器和CSS选择器的使用：

Xpath选择器

介绍一下XPath：
XPath 是一门在xml文档中查找信息的语言，它可以在XML文档中对于原色和属性进行遍历。其内置了超过100个内建函数，这些函数用于对字符串值，数值、日期、时间进行比较遍历。总之是一门很方便的语言。
在网络爬虫中，我们只需要利用XPath来采集数据，所以只要掌握一些基本语法，就可以上手使用了。
基本使用语法，如下表：
image

实例介绍：

下面我们将以这个book.xml为例子来介绍:

先将我们需要使用的模块导入（调试环境为ipython）：

In [1]: from scrapy.selector import Selector

In [2]: body = open('book.xml','r').read()

In [3]: print(body)

    
        
            
                水浒传
                施耐庵
                58.95
            
            
                西游记
                吴承恩
                58.3
            
            
                三国演义
                罗贯中
                48.3
            
            
                红楼梦
                曹雪芹
                75
            
        
    


In [4]: body
Out[4]: 'ntnttntttntttt水浒传ntttt施耐庵ntttt58.95ntttntttntttt西游记ntttt吴承恩ntttt58.3ntttntttntttt三国演义ntttt罗贯中ntttt48.3ntttntttntttt红楼梦ntttt曹雪芹ntttt75ntttnttntn'In [5]:

下面我们来举几个小例子，说明一下如何通过xpath找到我们想要的数据：

In [5]: print("如果我们要第一个book的内容")
如果我们要第一个book的内容

In [7]: Selector(text=body).xpath('/html/body/bookstore/book[1]').extract()
Out[7]: ['ntttt水浒传ntttt施耐庵ntttt58.95nttt']

In [8]: print("如果我们要最后一个book的内容")
如果我们要最后一个book的内容

In [9]: Selector(text=body).xpath('/html/body/bookstore/book[last()]').extract()
Out[9]: ['ntttt红楼梦ntttt曹雪芹ntttt75nttt']

In [10]: print("如果我们要最后一个book的author属性的文本")
如果我们要最后一个book的author属性的文本

In [11]: Selector(text=body).xpath('/html/body/bookstore/book[last()]/author/text()').extract()
Out[11]: ['曹雪芹']

In [12]: print("下面是xpath的嵌套使用")
下面是xpath的嵌套使用

In [13]: subbody=Selector(text=body).xpath('/html/body/bookstore/book[3]').extract()

In [14]: Selector(text=subbody[0]).xpath('//author/text()').extract()
Out[14]: ['罗贯中']

In [15]: Selector(text=subbody[0]).xpath('//book/author/text()').extract()
Out[15]: ['罗贯中']

In [16]: Selector(text=subbody[0]).xpath('//book/title/text()').extract()
Out[16]: ['三国演义']

在Xpath中最常用的方法大该就是这些了......

CSS选择器

介绍一下CSS：
和Xpath选择器比起来,感觉CSS选择器容易一些，跟写.css时方法基本一样，就是在获取内容时和Xpath不同,这里需要注意一下。

基本使用语法，如下表：

表达式	说明
*	选择所有节点
#container	选择id为container的节点
.container	选择所有class包含container的节点
li a	选取所有li 下所有a节点
ul + p	选取ul后面的第一个p元素
div#container > ul	选取id为container的div的第一个ul子元素
ul ~p	选取与ul相邻的所有p元素
a[title]	选取所有有title属性的a元素
a[href="http://jobbole.com"]	选取所有href属性为http://jobbole.com 的a元素
a[href*="jobbole"]	选取所有href属性值中包含jobbole的a元素
a[href^="http"]	选取所有href属性值中以http开头的a元素
a[href$=".jpg"]	选取所有href属性值中以.jpg结尾的a元素
input[type=radio]:checked	选择选中的radio的元素
div:not(#container)	选取所有id为非container 的div属性
li:nth-child(3)	选取第三个li元素
li:nth-child(2n)	选取第偶数个li元素

实例介绍：
下面我们还是以这个book.xml为例子来介绍:

上面xpath讲过如何导入模块了，下面我们来举几个小例子，说明一下如何通过css找到我们想要的数据：

In [2]: print("如果我们要所有节点的内容")
如果我们所有节点的内容

In [3]: Selector(text=body).css('*').extract()
Out[3]:
['ntnttntttntttt水浒传ntttt施耐庵ntttt58.95ntttntttntttt西游记ntttt吴承恩ntttt58.3ntttntttntttt三国演义ntttt罗贯中ntttt48.3ntttntttntttt红楼梦ntttt曹雪芹ntttt75ntttnttntn','nttntttntttt水浒传ntttt施耐庵ntttt58.95ntttntttntttt西游记ntttt吴承恩ntttt58.3ntttntttntttt三国演义ntttt罗贯中ntttt48.3ntttntttntttt红楼梦ntttt曹雪芹ntttt75ntttnttnt','ntttntttt水浒传ntttt施耐庵ntttt58.95ntttntttntttt西游记ntttt吴承恩ntttt58.3ntttntttntttt三国演义ntttt罗贯中ntttt48.3ntttntttntttt红楼梦ntttt曹雪芹ntttt75ntttntt','ntttt水浒传ntttt施耐庵ntttt58.95nttt','水浒传','施耐庵','58.95','ntttt西游记ntttt吴承恩ntttt58.3nttt','西游记','吴承恩','58.3','ntttt三国演义ntttt罗贯中ntttt48.3nttt','三国演义','罗贯中','48.3','ntttt红楼梦ntttt曹雪芹ntttt75nttt','红楼梦','曹雪芹','75']

In [4]: print("如果我们要bookstore下的所有内容")
如果我们要bookstore下的所有内容

In [5]: Selector(text=body).css('bookstore book').extract()
Out[5]:
['ntttt水浒传ntttt施耐庵ntttt58.95nttt','ntttt西游记ntttt吴承恩ntttt58.3nttt','ntttt三国演义ntttt罗贯中ntttt48.3nttt','ntttt红楼梦ntttt曹雪芹ntttt75nttt']

由于book.xml没有元素，只有节点，所以只能列举以上例子，大家可以看到，css选择器比起xpath选择器更为的简洁。

作者：緣來
链接：https://www.jianshu.com/p/11a78f207da1

Python爬虫

Python相关栏目本月热门文章