Python爬虫学习记录——11.Scrapy选择器的用法

我就是我 2023-06-10 11:27 35阅读 0赞

### 文章目录 ###

*   *  四大选择器
     *  CSS选择器
     *  Xpath选择器
     *  正则表达式
     *  pyquery选择器

## 四大选择器 ##

当我们抓取网页时，最常见任务就是从HTML源码中提取数据，可是怎么提取数据呢？当然就是用选择器了.

Scrapy 提取数据有自己的一套机制。它们被称作选择器(seletors)，通过特定的 Xpath 、 CSS 表达式或者正则表达式来选择 HTML 文件中的某个部分的数据。

我们常用的选择器有四种：CSS选择器，Xpath选择器，正则表达式，pyquery选择器。Scrapy内置了三种选择器，分别是CSS选择器，Xpath选择器，正则表达式，使用pyquery需要另外安装pyquery库

## CSS选择器 ##

CSS 是一门将 HTML 文档样式化的语言。选择器由它定义，并与特定的 HTML 元素的样式相关联。在CSS中，选择器是一种模式，用于选择需要添加样式的元素

应用给定的CSS选择器时，返回 SelectorList 的一个实例，query 是一个包含CSS选择器的字符串  
该方法可以通过 response.css() 调用  
这里主要使用CSS3选择器，用法如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70]  
**CSS选择器使用示例**  
这里使用一个自定义的网页源码演示css选择器的用法

html源码如下：

<body>
        <ul>
    
            <li class="top">
                <div>li的div</div>
            </li>
    
            <li class="top">
                <div>
                <div>li的div的div</div><div>
                </div>
            </li>
    
            <li>
            <p>li的p</p>
            </li>
    
            <li>
            <a>
            <div id="li_a_div">li的a的div</div><id>
            </a>    
            </li>
        </ul>
    </body>

打开同级目录下的HTML文件，所获取的sel变量是Selector变量，可以直接使用sel.css()对其进行选择：

from scrapy import Selector
    
    with open('test.html' , encoding='utf-8') as f:
        text = f.read()
    
    sel = Selector(text=text)

*  选择 class='top’的元素：

>>>sel.css(‘.top’) 
    #可见其返回了一个SelectorList实例

*  选择 id='li\_a\_div’的元素：

>>>sel.css(‘#li_a_div’) 
    #可见其返回了一个SelectorList实例

*  选择所有的元素：

>>>sel.css(‘*’) 
    #可见其返回了一个SelectorList实例

*  选择li元素内部的所有div的元素：

>>>sel.css(‘li div’) 
    #中间是空格 
    #可见其返回了一个SelectorList实例

*  选择父元素为li元素的所有div的元素：

>>>sel.css(‘li > div’) 
    #中间是“>” 
    #可见其返回了一个SelectorList实例

*  选择所有的div元素和所有的li元素：

>>>sel.css(‘li,div’) 
    #中间是“，” 
    #可见其返回了一个SelectorList实例

*  想要提取出数据，需要调用.extract()方法，比如：

>>> sel.css(“li > div”).extract()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 1]

*  想要直接得到列表中第一个元素，可以调用.extract\_first()方法，比如：

>>>sel.css(‘li > div’).extract_first()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 2]

## Xpath选择器 ##

寻找可以匹配 xpath query 的节点，并返回 SelectorList 的一个实例结果，单一化其所有 元素。列表元素也实现了 Selector 的接口。query 是包含XPATH查询请求的字符串  
该方法可以通过 response.xpath() 调用

**选取节点**  
Xpath 使用路径表达式在 XML文档中选取节点。节点是通过沿着路径或者step来选取的。  
下面列出了最有用的路径表达式：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 3]  
**Xpath选择器使用示例**  
Xpath选择方法之前在之前已经学习过了，仍然使用上面的例子：

*  查找ul标签下的li元素：

>>>sel.xpath(‘/html/body/ul/li’) 
    #可见其返回了一个SelectorList实例

*  查找所有的li标签：

>>>sel.xpath(‘//li’) 
    #可见其返回了一个SelectorList实例

*  查找第三个li标签下的第一个p标签：

>>>sel.xpath(‘//li’)[2].xpath(‘./p’)[0] 
    #可见其返回了一个SelectorList实例

*  查找a标签下的div标签的文本：

>>>sel.xpath(‘/html/body/ul/li/a/div/text()’).extract_first()

## 正则表达式 ##

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE）它通常被用来检索、替换那些符合某个模式(规则)的文本。  
**常用元字符**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 4]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 5]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 6]  
**匹配神器**

*  (.\*)具有贪婪的性质，首先匹配到不能匹配为止，根据后面的正则表达式，会进行回溯。
 *  (.\*?)则相反，一个匹配以后，就往下进行，所以不会进行回溯，具有最小匹配的性质。

## pyquery选择器 ##

pyquery可以让你使用类似jQuery语法来对xml进行操作，pyquery语法尽可能跟jQuery语法相似  
pyquery使用lxml库对xml和html进行快速的处理  
pyquery这个库目前还不是一个可以跟JavaScript代码交互的库  
**pyquery选择器使用示例**  
打开同级目录下的HTML文件，所获取的jpy变量是PyQuery，可以直接使用jpy对其进行选择：

from pyquery import PyQuery
    with open('test.html' , encoding='utf-8') as f:
        text = f.read()
    
    jpy = PyQuery(text)
    pass

*  查找class=‘top’的元素的文本：

>>>jpy(‘.top’).text()

*  查找class=‘top’的元素的class属性：

>>>jpy(‘.top’).attr(‘class’)

*  查找li标签下所有的文本

>>>items = jpy(‘li’) 
    >>>for i in items.items(): 
    >>>···· print(i.text()) 
    li的div 
    li的div的div 
    li的p 
    li的a的div

*  查找li标签下所有的class属性

>>>items = jpy(‘li’) 
    >>>for i in items.items(): 
    >>>···· print(i.attr(‘class’)) 
    top 
    top 
    None 
    None

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70]: /images/20230531/9f77d44074274fbea90591e3e12ebcb4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 1]: /images/20230531/cb8d8b0412cc43cfbc4aed2d2fb29f80.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 2]: /images/20230531/44a6324c33cc4e26bead555455f8c219.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 3]: /images/20230531/4484fc75fc66470aa43f70e913eefad2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 4]: /images/20230531/4d2bdb96854f433fbbaa4622b86a4eef.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 5]: /images/20230531/78cd7f6855e546eabf5596b480f9c090.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70 6]: /images/20230531/500097347b874196b4430ec35125c7a6.png