标签：gets 没有 机制 精度 war 硬编码 解析 api variable
当您抓取网页时，您需要执行的最常见任务是从HTML源中提取数据。有几个库可以实现这一点：
BeautifulSoup是Python程序员中非常流行的网络抓取库，它基于HTML代码的结构构建一个Python对象，并且处理相当糟糕的标记，但它有一个缺点：它很慢。
lxml是一个XML解析库（它还解析HTML）与基于ElementTree的pythonic API 。（lxml不是Python标准库的一部分。）
Scrapy自带了提取数据的机制。它们称为选择器，因为它们“选择”由XPath或CSS表达式指定的HTML文档的某些部分。
XPath是用于选择XML文档中的节点的语言，其也可以与HTML一起使用。CSS是一种用于将样式应用于HTML文档的语言。它定义了选择器以将这些样式与特定的HTML元素相关联。
Scrapy选择器构建在lxml库之上，这意味着它们的速度和解析精度非常相似。
这个页面解释了选择器是如何工作的，并描述了他们的API是非常小和简单，不像lxml API是更大，因为 lxml库可以用于许多其他任务，除了选择标记文档。
Scrapy选择器是Selector通过传递文本或TextResponse 对象构造的类的实例。它根据输入类型自动选择最佳的解析规则（XML与HTML）：
>>> from scrapy.selector import Selector >>> from scrapy.http import HtmlResponse
从文本构造：
>>> body = ‘<html><body><span>good</span></body></html>‘ >>> Selector(text=body).xpath(‘//span/text()‘).extract() [u‘good‘]
构建响应：
>>> response = HtmlResponse(url=‘http://example.com‘, body=body) >>> Selector(response=response).xpath(‘//span/text()‘).extract() [u‘good‘]
为了方便起见，响应对象在.selector属性上显示一个选择器，在可能的情况下使用此快捷键是完全正确的：
>>> response.selector.xpath(‘//span/text()‘).extract() [u‘good‘]
为了解释如何使用选择器，我们将使用Scrapy shell（提供交互式测试）和位于Scrapy文档服务器中的示例页面：
http://doc.scrapy.org/en/latest/_static/selectors-sample1.html
这里是它的HTML代码：
<html> <head> <base href=‘http://example.com/‘ /> <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>
首先，让我们打开shell：
scrapy shell http://doc.scrapy.org/en/latest/_static/selectors-sample1.html
然后，在加载shell之后，您将有可用的响应作为response shell变量，以及其附加的选择器response.selector属性。
由于我们处理HTML，选择器将自动使用HTML解析器。
因此，通过查看该页面的HTML代码，让我们构造一个XPath来选择标题标签中的文本：
>>> response.selector.xpath(‘//title/text()‘) [<Selector (text) xpath=//title/text()>]
使用XPath和CSS查询响应非常普遍，响应包括两个方便的快捷键：response.xpath()和response.css()：
>>> response.xpath(‘//title/text()‘) [<Selector (text) xpath=//title/text()>] >>> response.css(‘title::text‘) [<Selector (text) xpath=//title/text()>]
正如你所看到的，.xpath()而.css()方法返回一个 SelectorList实例，它是新的选择列表。此API可用于快速选择嵌套数据：
>>> response.css(‘img‘).xpath(‘@src‘).extract() [u‘image1_thumb.jpg‘, u‘image2_thumb.jpg‘, u‘image3_thumb.jpg‘, u‘image4_thumb.jpg‘, u‘image5_thumb.jpg‘]
要实际提取文本数据，必须调用选择器.extract() 方法，如下所示：
>>> response.xpath(‘//title/text()‘).extract() [u‘Example website‘]
如果只想提取第一个匹配的元素，可以调用选择器 .extract_first()
>>> response.xpath(‘//div[@id="images"]/a/text()‘).extract_first() u‘Name: My image 1 ‘
None如果没有找到元素则返回：
>>> response.xpath(‘//div[@id="not-exists"]/text()‘).extract_first() is None True
可以提供默认返回值作为参数，而不是使用None：
>>> response.xpath(‘//div[@id="not-exists"]/text()‘).extract_first(default=‘not-found‘) ‘not-found‘
请注意，CSS选择器可以使用CSS3伪元素选择文本或属性节点：
>>> response.css(‘title::text‘).extract() [u‘Example website‘]
现在我们要获取基本URL和一些图像链接：
>>> 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‘]
>>> 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‘]
Selector也有一种.re()使用正则表达式提取数据的方法。但是，不同于使用 .xpath()或 .css()methods，.re()返回一个unicode字符串列表。所以你不能构造嵌套.re()调用。
以下是用于从上面的HTML代码中提取图片名称的示例：
>>> 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‘]
这里有一个额外的辅助往复.extract_first()进行.re()，命名.re_first()。使用它只提取第一个匹配的字符串：
>>> response.xpath(‘//a[contains(@href, "image")]/text()‘).re_first(r‘Name:\s*(.*)‘) u‘My image 1‘
请记住，如果您嵌套选择器并使用以XPath开头的XPath /，该XPath将是绝对的文档，而不是相对于 Selector您调用它。
例如，假设要提取<p>元素中的所有<div> 元素。首先，你会得到所有的<div>元素：
>>> divs = response.xpath(‘//div‘)
首先，你可能会使用下面的方法，这是错误的，因为它实际上<p>从文档中提取所有元素，而不仅仅是那些内部<div>元素：
>>> for p in divs.xpath(‘//p‘): # this is wrong - gets all <p> from the whole document ... print p.extract()
这是正确的方式（注意点前面的.//pXPath 的点）：
>>> for p in divs.xpath(‘.//p‘): # extracts all <p> inside ... print p.extract()
另一个常见的情况是提取所有直接的<p>孩子：
>>> for p in divs.xpath(‘p‘): ... print p.extract()
XPath允许您使用$somevariable语法来引用XPath表达式中的变量。这在某种程度上类似于SQL世界中的参数化查询或预准备语句，您在查询中使用占位符替换一些参数，?然后用查询传递的值替换。
这里有一个例子来匹配元素基于其“id”属性值，没有硬编码它（如前所示）：
>>> # `$val` used in the expression, a `val` argument needs to be passed >>> response.xpath(‘//div[@id=$val]/a/text()‘, val=‘images‘).extract_first() u‘Name: My image 1 ‘
这里是另一个例子，找到一个<div>标签的“id” 属性包含五个<a>孩子（这里我们传递的值5作为一个整数）：
>>> response.xpath(‘//div[count(a)=$cnt]/@id‘, cnt=5).extract_first() u‘images‘
所有变量引用在调用时必须有一个绑定值.xpath()（否则你会得到一个异常）。这是通过传递必要的命名参数。ValueError: XPath error:
标签：gets 没有 机制 精度 war 硬编码 解析 api variable
原文地址：https://www.cnblogs.com/songzhixue/p/11331990.html
