從網(wǎng)頁(yè)中提取數(shù)據(jù),Scrapy 使用基于 XPath 和 CSS 表達(dá)式的技術(shù)叫做選擇器。以下是 XPath 表達(dá)式的一些例子:
/html/head/title:
這將選擇 HTML 文檔中的 <head> 元素中的 <title> 元素。
/html/head/title/text(): 這將選擇 <title> 元素中的文本。
//td: 這將選擇所有的 <td> 元素。
//div[@class=”slice”]: 選擇 div 包含一個(gè)屬性 class=”slice” 的所有元素。
選擇器有四個(gè)基本的方法,如下所示:
S.N. | 方法 & 描述 |
---|---|
extract() | 它返回一個(gè)unicode字符串以及所選數(shù)據(jù) |
re() | 它返回Unicode字符串列表,當(dāng)正則表達(dá)式被賦予作為參數(shù)時(shí)提取 |
xpath() | 它返回選擇器列表,它代表由指定XPath表達(dá)式參數(shù)選擇的節(jié)點(diǎn)。 |
css() | 它返回選擇器列表,它代表由指定CSS表達(dá)式作為參數(shù)所選擇的節(jié)點(diǎn)。 |
若要演示選擇器在內(nèi)置Scrapy Shell 中,必須要在您的系統(tǒng)中安裝 IPython。 這里最重要的是,在運(yùn)行時(shí)網(wǎng)址應(yīng)包含Scrapy引號(hào)之內(nèi); 否則使用的 URL “&” 字符將不起作用。 可以通過(guò)在該項(xiàng)目的頂級(jí)目錄中,使用下面的命令啟動(dòng)一個(gè) shell:
scrapy shell "http://www.yiibai.com/scrapy/scrapy_environment.html"
shell 執(zhí)行后結(jié)果如下圖所示:
D:first_scrapy>scrapy shell "http://www.yiibai.com/scrapy/scrapy_environment.html"
2016-10-03 11:45:08 [scrapy] INFO: Scrapy 1.1.2 started (bot: first_scrapy)
2016-10-03 11:45:08 [scrapy] INFO: Overridden settings: {'NEWSPIDER_MODULE': 'first_scrapy.spiders', 'ROBOTSTXT_OBEY': True, 'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter', 'SPIDER_MODULES': ['first_scrapy.spiders'], 'BOT_NAME': 'first_scrapy', 'LOGSTATS_INTERVAL': 0}
2016-10-03 11:45:08 [scrapy] INFO: Enabled extensions:
['scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.corestats.CoreStats']
2016-10-03 11:45:08 [scrapy] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.chunked.ChunkedTransferMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2016-10-03 11:45:08 [scrapy] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2016-10-03 11:45:08 [scrapy] INFO: Enabled item pipelines:
[]
2016-10-03 11:45:08 [scrapy] DEBUG: Telnet console listening on 127.0.0.1:6023
2016-10-03 11:45:08 [scrapy] INFO: Spider opened
2016-10-03 11:45:09 [scrapy] DEBUG: Crawled (200) <GET http://www.yiibai.com/robots.txt> (referer: None)
2016-10-03 11:45:09 [scrapy] DEBUG: Crawled (200) <GET http://www.yiibai.com/scrapy/scrapy_environment.html> (referer: None)
[s] Available Scrapy objects:
[s] crawler <scrapy.crawler.Crawler object at 0x00000000042E3E80>
[s] item {}
[s] request <GET http://www.yiibai.com/scrapy/scrapy_environment.html>
[s] response <200 http://www.yiibai.com/scrapy/scrapy_environment.html>
[s] settings <scrapy.settings.Settings object at 0x00000000042E3E10>
[s] spider <firstSpider 'first' at 0x47f9f28>
[s] Useful shortcuts:
[s] shelp() Shell help (print this help)
[s] fetch(req_or_url) Fetch request (or URL) and update local objects
[s] view(response) View response in a browser
>>>
當(dāng) shell 加載后,可以分別通過(guò)使用 response.body 和 response.header 訪問(wèn)主體或頭信息。同樣,也可以通過(guò)使用 response.selector.xpath()或 response.selector.css()運(yùn)行查詢的響應(yīng)結(jié)果。
例如:
>>> response.xpath('//title')
[<Selector xpath='//title' data=u'<title>Scrapyu5b89u88c5 - Scrapyu6559u7a0b</title>'>]
>>> response.xpath('//title').extract()
[u'<title>Scrapyu5b89u88c5 - Scrapyu6559u7a0b</title>']
>>> response.xpath('//title/text()')
[<Selector xpath='//title/text()' data=u'Scrapyu5b89u88c5 - Scrapyu6559u7a0b'>]
>>> response.xpath('//title/text()').extract()
[u'Scrapyu5b89u88c5 - Scrapyu6559u7a0b']
>>> response.xpath('//title/text()').extract()
[u'Scrapyu5b89u88c5 - Scrapyu6559u7a0b']
>>> response.xpath('//title/text()').re('(w+):')
[]
>>>
從一個(gè)普通的HTML網(wǎng)站提取數(shù)據(jù),查看該網(wǎng)站得到的 XPath 的源代碼。檢測(cè)后,可以看到數(shù)據(jù)將在UL標(biāo)簽,并選擇 li 標(biāo)簽中的 元素。
代碼的下面行顯示了不同類(lèi)型的數(shù)據(jù)的提?。?/p>
選擇 li 標(biāo)簽內(nèi)的數(shù)據(jù):
response.xpath('//ul/li')
對(duì)于選擇描述:
response.xpath('//ul/li/text()').extract()
對(duì)于選擇網(wǎng)站標(biāo)題:
response.xpath('//ul/li/a/text()').extract()
對(duì)于選擇網(wǎng)站的鏈接:
response.xpath('//ul/li/a/@href').extract()
下面的代碼用于演示上述提取的用法:
import scrapy
class MyprojectSpider(scrapy.Spider):
name = "project"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
for sel in response.xpath('//ul/li'):
title = sel.xpath('a/text()').extract()
link = sel.xpath('a/@href').extract()
desc = sel.xpath('text()').extract()
print title, link, desc