「Scrapy 爬虫框架」选择器（Selectors）详解

我就是我 2022-10-25 12:56 317阅读 0赞

### 文章目录 ###

*  内容介绍
 *  如何使用选择器
 *  CSS选择器扩展
 *  嵌套选择器
 *  选择元素属性
 *  带有正则表达式的选择器
 *  extract() and extract\_first()

# 内容介绍 #

开发环境为 Python3.6，Scrapy 版本 2.4.x ，爬虫项目全部内容索引目录

[看懂Python爬虫框架，所见即所得一切皆有可能][Python]

本章带你学习基于 **Python3** 的 **Scrapy 爬虫框架** 中数据爬取过程中从HTML源中如何提取数据。

提取数据的方式有很多种根据自己的习惯就好。

*  **BeautifulSoup** 是 Python程序员中一个非常流行的Web抓取库，基于HTML代码的结构构造Python对象，并相当好地处理不好的标记，但它缺点是速度慢。
 *  **lxml** 是一个XML解析库(解析HTML)，并非Python标准库。它使用基于 **ElementTree** 。
 *  **Scrapy** 有自己的提取数据的机制被称为Selectors。

代码内容基于「Scrapy 爬虫框架」源码版本 2.4.0 ，更新内容会进行标记说明对应版本。

# 如何使用选择器 #

*  **1.构建选择器**

# 在处理response对象可以直接使用selector定位属性获取数据
    >>> response.selector.xpath('//span/text()').get()
    'good'

*  **2.使用XPath和CSS查询方式**

# response.xpath()方式
 >>> response.xpath('//span/text()').get()
 'good'
 
 # response.css()方式
 >>> response.css('span::text').get()
 'good'
 
 # 文本构造方式
 >>> from scrapy.selector import Selector
 >>> body = '<html><body>good</body></html>'
 >>> Selector(text=body).xpath('//span/text()').get()
 'good'
 
 # 基于TextResponse类的HtmlResponse处理response
 >>> 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.使用选择器**  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]

# 构造一个XPath，用于选择title标记中的文本
 >>> response.xpath('//title/text()')
 [<Selector xpath='//title/text()' data='Example website'>]
 
 # 提取文本数据调用选择器 .get() 或 .getall()
 >>> response.xpath('//title/text()').getall()
 ['Example website']
 >>> response.xpath('//title/text()').get()
 'Example website'
 >>> response.css('title::text').get()
 'Example website'

# .xpath()和.css()方法返回SelectorList实例列表
    >>> response.css('img').xpath('@src').getall()
    ['image1_thumb.jpg',
     'image2_thumb.jpg',
     'image3_thumb.jpg',
     'image4_thumb.jpg',
     'image5_thumb.jpg']

# 提取第一个匹配的元素，使用 .get() 或者 .extract_first()
    >>> response.xpath('//div[@id="images"]/a/text()').get()
    'Name: My image 1 '

# 未抓取到对应数据元素
    >>> response.xpath('//div[@id="not-exists"]/text()').get() is None
    True
    
    >>> response.xpath('//div[@id="not-exists"]/text()').get(default='not-found')
    'not-found'

# 选择对应属性内容
    >>> [img.attrib['src'] for img in response.css('img')]
    ['image1_thumb.jpg',
     'image2_thumb.jpg',
     'image3_thumb.jpg',
     'image4_thumb.jpg',
     'image5_thumb.jpg']
     
    >>> response.css('img').attrib['src']
    'image1_thumb.jpg'

# 对应选择的结果是唯一时
    >>> response.css('base').attrib['href']
    'http://example.com/'

# 构建图像url的几种方式
    >>> 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']

# CSS选择器扩展 #

按照W3C标准，CSS选择器不支持选择文本节点或属性值。但在web抓取上下文中选择这些内容是非常重要的，因此scrapy(Parsel)实现非标准伪元素:

1.  若要选择文本节点，使用 ::text
2.  若要选择属性值，使用 ::attr(name) 属性的名称

# title::text 选择后代的子文本节点<title>
 >>> response.css('title::text').get()
 'Example website'

# *::text 选择当前选择器上下文的所有子代文本节点
    >>> response.css('#images *::text').getall()
    ['\n ',
     'Name: My image 1 ',
     '\n ',
     'Name: My image 2 ',
     '\n ',
     'Name: My image 3 ',
     '\n ',
     'Name: My image 4 ',
     '\n ',
     'Name: My image 5 ',
     '\n ']

# foo::text 如果foo元素，但不包含文本(即文本为空)
    >>> response.css('img::text').getall()
    []
    
    >>> response.css('img::text').get()
    >>> response.css('img::text').get(default='none')
    'none'

# a::attr(href) 选择href子代链接的属性
    >>> response.css('a::attr(href)').getall()
    ['image1.html',
     'image2.html',
     'image3.html',
     'image4.html',
     'image5.html']

# 嵌套选择器 #

# 使用 (.xpath()或.css()) 返回相同类型的选择器列表
 >>> links = response.xpath('//a[contains(@href, "image")]')
 >>> links.getall()
 ['<a href="image1.html">Name: My image 1 <img src="image1_thumb.jpg"></a>',
 '<a href="image2.html">Name: My image 2 <img src="image2_thumb.jpg"></a>',
 '<a href="image3.html">Name: My image 3 <img src="image3_thumb.jpg"></a>',
 '<a href="image4.html">Name: My image 4 <img src="image4_thumb.jpg"></a>',
 '<a href="image5.html">Name: My image 5 <img src="image5_thumb.jpg"></a>']

>>> for index, link in enumerate(links):
    ...     href_xpath = link.xpath('@href').get()
    ...     img_xpath = link.xpath('img/@src').get()
    ...     print(f'Link number { index} points to url { href_xpath!r} and image { img_xpath!r}')
    
    Link number 0 points to url 'image1.html' and image 'image1_thumb.jpg'
    Link number 1 points to url 'image2.html' and image 'image2_thumb.jpg'
    Link number 2 points to url 'image3.html' and image 'image3_thumb.jpg'
    Link number 3 points to url 'image4.html' and image 'image4_thumb.jpg'
    Link number 4 points to url 'image5.html' and image 'image5_thumb.jpg'

# 选择元素属性 #

# XPath语法
    >>> response.xpath("//a/@href").getall()
    ['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

# CSS选择器的扩展 (::attr(...)) 语法
    >>> response.css('a::attr(href)').getall()
    ['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

# .attrib 语法
    >>> [a.attrib['href'] for a in response.css('a')]
    ['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']
    
    # 字典方式
    >>> response.css('base').attrib
    { 'href': 'http://example.com/'}
    >>> response.css('base').attrib['href']
    'http://example.com/'
    
    # 空结果
    >>> response.css('foo').attrib
    { }

# 带有正则表达式的选择器 #

# Selector也有一个.re()使用正则表达式提取数据的方法。
    # 但与使用.xpath()或.css()方法，.re()返回字符串列表。
    # 因此不能构造嵌套的.re()。
    >>> 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']

# .get() .extract_first()) .re()，命名.re_first()。
    # 使用它仅提取第一个匹配字符串：
    >>> response.xpath('//a[contains(@href, "image")]/text()').re_first(r'Name:\s*(.*)')
    'My image 1'

# extract() and extract\_first() #

# SelectorList.get()** 与 **SelectorList.extract_first() 相同
    >>> response.css('a::attr(href)').get()
    'image1.html'
    >>> response.css('a::attr(href)').extract_first()
    'image1.html'

# SelectorList.getall() 与 SelectorList.extract() 相同
    >>> response.css('a::attr(href)').getall()
    ['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']
    >>> response.css('a::attr(href)').extract()
    ['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

# Selector.get() 与 Selector.extract() 相同
    >>> response.css('a::attr(href)')[0].get()
    'image1.html'
    >>> response.css('a::attr(href)')[0].extract()
    'image1.html'

# 列表方式操作 Selector.getall() 
    >>> response.css('a::attr(href)')[0].getall()
    ['image1.html']

[Python]: https://blog.csdn.net/qq_20288327/article/details/120575605
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20221024/d366e435aab5443584de042913806052.png