有條件的請支持慕課實戰(zhàn)正版課程，本blog僅僅是歸納總結，自用。
一、xpath部分
1.1 xpath簡介
xpath簡介.png
1.2 xpath語法
- 子元素：僅僅指節(jié)點下面一層的元素
- 后代元素：指標簽下面任意層級的元素
- 父元素、祖先（先輩）元素同理。
xpath語法圖
1.3 xpath謂語語法
謂語（Predicates）謂語用來查找某個特定的節(jié)點或者包含某個指定的值的節(jié)點。謂語被嵌在方括號中。
xpathwei'yu
1.4 xpath其他語法
| 通配符 | 描述 |
|---|---|
| * | 匹配任何元素節(jié)點。 |
| @* | 匹配任何屬性節(jié)點。 |
| node() | 匹配任何類型的節(jié)點。 |
xpath其他語法
二、css選擇器
css選擇器
css選擇器2
css選擇器3
三、scrapy選擇器實戰(zhàn)
- Scrapy選擇器構建于 lxml 庫之上，這意味著它們在速度和解析準確性上非常相似。
- 我們將使用 Scrapy shell
(提供交互測試)和位于Scrapy文檔服務器的一個樣例頁面，來解釋如何使用選擇器：
http://doc.scrapy.org/en/latest/_static/selectors-sample1.html
這里是它的HTML源碼:
<html>
<head>
<base />
<title>Example website</title>
</head>
<body>
<div id='images'>
<a href='image1.html'>Name: My image 1 <br /></a>
<a href='image2.html'>Name: My image 2 <br /></a>
<a href='image3.html'>Name: My image 3 <br /></a>
<a href='image4.html'>Name: My image 4 <br /></a>
<a href='image5.html'>Name: My image 5 <br /></a>
</div>
</body>
</html>
3.1 構造選擇器
首先, 我們打開shell:
scrapy shell http://doc.scrapy.org/en/latest/_static/selectors-sample1.html
- 接著，當shell載入后，您將獲得名為
response
的shell變量，其為響應的response， 并且在其response.selector屬性上綁定了一個selector。 - 因為我們處理的是HTML，選擇器將自動使用HTML語法分析。
- 那么，通過查看 HTML code 該頁面的源碼，我們構建一個XPath來選擇
title標簽內的文字:
>>> response.selector.xpath('//title/text()')
[<Selector (text) xpath=//title/text()>]
- 由于在
response中使用XPath、CSS查詢十分普遍，因此，Scrapy提供了兩個實用的快捷方式:response.xpath()及response.css():
>>> response.xpath('//title/text()')
[<Selector (text) xpath=//title/text()>]
>>> response.css('title::text')
[<Selector (text) xpath=//title/text()>]
如你所見，
.xpath()及.css()方法返回一個類 SelectorList 的實例, 它是一個新選擇器的列表。這個API可以用來快速的提取嵌套數(shù)據。為了提取真實的原文數(shù)據，你需要調用
.extract()方法如下:
>>> response.xpath('//title/text()').extract()
[u'Example website']
- 如果想要提取到第一個匹配到的元素, 必須調用
.extract_first()selector:
>>> response.xpath('//div[@id="images"]/a/text()').extract_first()
u'Name: My image 1 '
- 現(xiàn)在我們將得到根URL(base URL)和一些圖片鏈接:
>>> response.xpath('//base/@href').extract()
[u'http://example.com/']
>>> response.css('base::attr(href)').extract()
[u'http://example.com/']
>>> response.xpath('//a[contains(@href, "image")]/@href').extract()
[u'image1.html',
u'image2.html',
u'image3.html',
u'image4.html',
u'image5.html']
>>> response.css('a[href*=image]::attr(href)').extract()
[u'image1.html',
u'image2.html',
u'image3.html',
u'image4.html',
u'image5.html']
>>> response.xpath('//a[contains(@href, "image")]/img/@src').extract()
[u'image1_thumb.jpg',
u'image2_thumb.jpg',
u'image3_thumb.jpg',
u'image4_thumb.jpg',
u'image5_thumb.jpg']
>>> response.css('a[href*=image] img::attr(src)').extract()
[u'image1_thumb.jpg',
u'image2_thumb.jpg',
u'image3_thumb.jpg',
u'image4_thumb.jpg',
u'image5_thumb.jpg']
3.2選擇器嵌套
- 選擇器方法(
.xpath()or.css())返回相同類型的選擇器列表，因此你也可以對這些選擇器調用選擇器方法。下面是一個例子:
>>> links = response.xpath('//a[contains(@href, "image")]')
>>> links.extract()
[u'<a href="image1.html">Name: My image 1 <br></a>',
u'<a href="image2.html">Name: My image 2 <br></a>',
u'<a href="image3.html">Name: My image 3 <br></a>',
u'<a href="image4.html">Name: My image 4 <br></a>',
u'<a href="image5.html">Name: My image 5 <br></a>']
>>> for index, link in enumerate(links):
args = (index, link.xpath('@href').extract(), link.xpath('img/@src').extract())
print 'Link number %d points to url %s and image %s' % args
Link number 0 points to url [u'image1.html'] and image [u'image1_thumb.jpg']
Link number 1 points to url [u'image2.html'] and image [u'image2_thumb.jpg']
Link number 2 points to url [u'image3.html'] and image [u'image3_thumb.jpg']
Link number 3 points to url [u'image4.html'] and image [u'image4_thumb.jpg']
Link number 4 points to url [u'image5.html'] and image [u'image5_thumb.jpg']
3.3 結合正則表達式使用選擇器(selectors)
Selector 也有一個
.re()方法,用來通過正則表達式來提取數(shù)據。然而,不同于使用.xpath()或者.css()方法,.re()方法返回unicode字符串的列表。所以你無法構造嵌套式的.re()調用。下面是一個例子，從上面的 HTML code 中提取圖像名字:
>>> response.xpath('//a[contains(@href, "image")]/text()').re(r'Name:\s*(.*)')
[u'My image 1',
u'My image 2',
u'My image 3',
u'My image 4',
u'My image 5']
- 另外還有一個糅合了
.extract_first()與.re()的函數(shù).re_first(). 使用該函數(shù)可以提取第一個匹配到的字符串:
>>> response.xpath('//a[contains(@href, "image")]/text()').re_first(r'Name:\s*(.*)')
u'My image 1'
