Scrapy框架的使用之Selector的用法

Scrapy提供了自己的数据提取方法,即Selector(选择器)。Selector是基于lxml来构建的,支持XPath选择器、CSS选择器以及正则表达式,功能全面,解析速度和准确度非常高。

本节将介绍Selector的用法。

1. 直接使用

Selector是一个可以独立使用的模块。我们可以直接利用这个类来构建一个选择器对象,然后调用它的相关方法如、等来提取数据。

例如,针对一段HTML代码,我们可以用如下方式构建对象来提取数据:

fromscrapyimportSelector

body ='Hello World'

selector = Selector(text=body)

title = selector.xpath('//title/text()').extract_first()

print(title)

运行结果如下所示:

Hello World

我们在这里没有在Scrapy框架中运行,而是把Scrapy中的Selector单独拿出来使用了,构建的时候传入参数,就生成了一个选择器对象,然后就可以像前面我们所用的Scrapy中的解析方式一样,调用、等方法来提取了。

在这里我们查找的是源代码中的title中的文本,在XPath选择器最后加方法就可以实现文本的提取了。

以上内容就是Selector的直接使用方式。同Beautiful Soup等库类似,Selector其实也是强大的网页解析库。如果方便的话,我们也可以在其他项目中直接使用Selector来提取数据。

接下来,我们用实例来详细讲解Selector的用法。

2. Scrapy Shell

由于Selector主要是与Scrapy结合使用,如Scrapy的回调函数中的参数直接调用或者方法来提取数据,所以在这里我们借助Scrapy Shell来模拟Scrapy请求的过程,来讲解相关的提取方法。

我们用官方文档的一个样例页面来做演示:http://doc.scrapy.org/en/latest/_static/selectors-sample1.html。

开启Scrapy Shell,在命令行输入如下命令:

scrapy shell http://doc.scrapy.org/en/latest/_static/selectors-sample1.html

我们就进入到Scrapy Shell模式。这个过程其实是,Scrapy发起了一次请求,请求的URL就是刚才命令行下输入的URL,然后把一些可操作的变量传递给我们,如、等,如下图所示。

我们可以在命令行模式下输入命令调用对象的一些操作方法,回车之后实时显示结果。这与Python的命令行交互模式是类似的。

接下来,演示的实例都将页面的源码作为分析目标,页面源码如下所示:

Example website

Name: My image 1

Name: My image 2

Name: My image 3

Name: My image 4

Name: My image 5

3. XPath选择器

进入Scrapy Shell之后,我们将主要操作这个变量来进行解析。因为我们解析的是HTML代码,Selector将自动使用HTML语法来分析。

有一个属性,我们调用返回的内容就相当于用的构造了一个Selector对象。通过这个Selector对象我们可以调用解析方法如、等,通过向方法传入XPath或CSS选择器参数就可以实现信息的提取。

我们用一个实例感受一下,如下所示:

>>>result = response.selector.xpath('//a')

>>>result

[Name: My image 1 ,

Name: My image 2 ,

Name: My image 3 ,

Name: My image 4 ,

Name: My image 5 ]

>>>type(result)

scrapy.selector.unified.SelectorList

打印结果的形式是Selector组成的列表,其实它是类型,SelectorList和Selector都可以继续调用和等方法来进一步提取数据。

在上面的例子中,我们提取了节点。接下来,我们尝试继续调用方法来提取节点内包含的节点,如下所示:

>>>result.xpath('./img')

['>,

'>,

'>,

'>,

'>]

我们获得了节点里面的所有节点,结果为5。

值得注意的是,选择器的最前方加 .(点),这代表提取元素内部的数据,如果没有加点,则代表从根节点开始提取。此处我们用了的提取方式,则代表从节点里进行提取。如果此处我们用,则还是从节点里进行提取。

我们刚才使用了方法对数据进行了提取。Scrapy提供了两个实用的快捷方法,和,它们二者的功能完全等同于和。方便起见,后面我们统一直接调用的和方法进行选择。

现在我们得到的是类型的变量,该变量是由对象组成的列表。我们可以用索引单独取出其中某个元素,如下所示:

>>>result[]

Name: My image 1

我们可以像操作列表一样操作这个。

但是现在获取的内容是或者类型,并不是真正的文本内容。那么具体的内容怎么提取呢?

比如我们现在想提取出节点元素,就可以利用方法,如下所示:

>>>result.extract()

['Name: My image 1

','Name: My image 2

','Name: My image 3

','Name: My image 4

','Name: My image 5

']

这里使用了方法,我们就可以把真实需要的内容获取下来。

我们还可以改写XPath表达式,来选取节点的内部文本和属性,如下所示:

>>>response.xpath('//a/text()').extract()

['Name: My image 1 ','Name: My image 2 ','Name: My image 3 ','Name: My image 4 ','Name: My image 5 ']

>>>response.xpath('//a/@href').extract()

['image1.html','image2.html','image3.html','image4.html','image5.html']

我们只需要再加一层就可以获取节点的内部文本,或者加一层就可以获取节点的属性。其中,符号后面内容就是要获取的属性名称。

现在我们可以用一个规则把所有符合要求的节点都获取下来,返回的类型是列表类型。

但是这里有一个问题:如果符合要求的节点只有一个,那么返回的结果会是什么呢?我们再用一个实例来感受一下,如下所示:

>>>response.xpath('//a[@href="image1.html"]/text()').extract()

['Name: My image 1 ']

我们用属性限制了匹配的范围,使XPath只可以匹配到一个元素。然后用方法提取结果,其结果还是一个列表形式,其文本是列表的第一个元素。但很多情况下,我们其实想要的数据就是第一个元素内容,这里我们通过加一个索引来获取,如下所示:

>>>response.xpath('//a[@href="image1.html"]/text()').extract()[]

'Name: My image 1 '

但是,这个写法很明显是有风险的。一旦XPath有问题,那么后的结果可能是一个空列表。如果我们再用索引来获取,那不就会可能导致数组越界吗?

所以,另外一个方法可以专门提取单个元素,它叫作。我们可以改写上面的例子如下所示:

>>>response.xpath('//a[@href="image1.html"]/text()').extract_first()

'Name: My image 1 '

这样,我们直接利用方法将匹配的第一个结果提取出来,同时我们也不用担心数组越界的问题。

另外我们也可以为方法设置一个默认值参数,这样当XPath规则提取不到内容时会直接使用默认值。例如将XPath改成一个不存在的规则,重新执行代码,如下所示:

>>>response.xpath('//a[@href="image1"]/text()').extract_first()

>>>response.xpath('//a[@href="image1"]/text()').extract_first('Default Image')

'Default Image'

这里,如果XPath匹配不到任何元素,调用会返回空,也不会报错。

在第二行代码中,我们还传递了一个参数当作默认值,如Default Image。这样如果XPath匹配不到结果的话,返回值会使用这个参数来代替,可以看到输出正是如此。

现在为止,我们了解了Scrapy中的XPath的相关用法,包括嵌套查询、提取内容、提取单个内容、获取文本和属性等。

4. CSS选择器

接下来,我们看看CSS选择器的用法。

Scrapy的选择器同时还对接了CSS选择器,使用方法可以使用CSS选择器来选择对应的元素。

例如在上文我们选取了所有的节点,那么CSS选择器同样可以做到,如下所示:

>>>response.css('a')

[Name: My image 1 ,

Name: My image 2 ,

Name: My image 3 ,

Name: My image 4 ,

Name: My image 5 ]

同样,调用方法就可以提取出节点,如下所示:

>>>response.css('a').extract()

['Name: My image 1

','Name: My image 2

','Name: My image 3

','Name: My image 4

','Name: My image 5

']

用法和XPath选择是完全一样的。

另外,我们也可以进行属性选择和嵌套选择,如下所示:

>>>response.css('a[href="image1.html"]').extract()

['Name: My image 1

']

>>>response.css('a[href="image1.html"] img').extract()

['']

这里用限定了属性,可以看到匹配结果就只有一个了。另外如果想查找节点内的节点,只需要再加一个空格和即可。选择器的写法和标准CSS选择器写法如出一辙。

我们也可以使用方法提取列表的第一个元素,如下所示:

>>>response.css('a[href="image1.html"] img').extract_first()

''

接下来的两个用法不太一样。节点的内部文本和属性的获取是这样实现的,如下所示:

>>>response.css('a[href="image1.html"]::text').extract_first()

'Name: My image 1 '

>>>response.css('a[href="image1.html"] img::attr(src)').extract_first()

'image1_thumb.jpg'

获取文本和属性需要用和的写法。而其他库如Beautiful Soup或pyquery都有单独的方法。

另外,CSS选择器和XPath选择器一样可以嵌套选择。我们可以先用XPath选择器选中所有节点,再利用CSS选择器选中节点,再用XPath选择器获取属性。我们用一个实例来感受一下,如下所示:

>>>response.xpath('//a').css('img').xpath('@src').extract()

['image1_thumb.jpg','image2_thumb.jpg','image3_thumb.jpg','image4_thumb.jpg','image5_thumb.jpg']

我们成功获取了所有节点的属性。

因此,我们可以随意使用和方法二者自由组合实现嵌套查询,二者是完全兼容的。

5. 正则匹配

Scrapy的选择器还支持正则匹配。比如,在示例的节点中的文本类似于,现在我们只想把后面的内容提取出来,这时就可以借助方法,实现如下:

>>>response.xpath('//a/text()').re('Name:\s(.*)')

['My image 1 ','My image 2 ','My image 3 ','My image 4 ','My image 5 ']

我们给方法传了一个正则表达式,其中就是要匹配的内容,输出的结果就是正则表达式匹配的分组,结果会依次输出。

如果同时存在两个分组,那么结果依然会被按序输出,如下所示:

>>>response.xpath('//a/text()').re('(.*?):\s(.*)')

['Name','My image 1 ','Name','My image 2 ','Name','My image 3 ','Name','My image 4 ','Name','My image 5 ']

类似方法,方法可以选取列表的第一个元素,用法如下:

>>>response.xpath('//a/text()').re_first('(.*?):\s(.*)')

'Name'

>>>response.xpath('//a/text()').re_first('Name:\s(.*)')

'My image 1 '

不论正则匹配了几个分组,结果都会等于列表的第一个元素。

值得注意的是,对象不能直接调用和方法。如果想要对全文进行正则匹配,可以先调用方法再正则匹配,如下所示:

>>>response.re('Name:\s(.*)')

Traceback (most recent call last):

File"", line1,in

AttributeError:'HtmlResponse'object has no attribute're'

>>>response.xpath('.').re('Name:\s(.*)

')

['My image 1 ','My image 2 ','My image 3 ','My image 4 ','My image 5 ']

>>>response.xpath('.').re_first('Name:\s(.*)

')

'My image 1 '

通过上面的例子,我们可以看到,直接调用方法会提示没有属性。但是这里首先调用了选中全文,然后调用和方法,就可以进行正则匹配了。

6. 结语

以上内容便是Scrapy选择器的用法,它包括两个常用选择器和正则匹配功能。熟练掌握XPath语法、CSS选择器语法、正则表达式语法可以大大提高数据提取效率。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180503G1R70600?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券