Scrapy - 提取项目
说明
为了从网页中提取数据，Scrapy 使用一种称为选择器的技术，该技术基于 XPath 和 CSS 表达式。以下是一些 XPath 表达式的示例 −
/html/head/title − 这将选择 HTML 文档的 <head> 元素内的 <title> 元素。
/html/head/title/text() −这将选择同一 <title> 元素内的文本。
//td − 这将选择 <td> 中的所有元素。
//div[@class = "slice"] − 这将选择 div 中的所有包含属性 class = "slice" 的元素
选择器有四种基本方法，如下表所示 −
| Sr.No | 方法 &描述 |
|---|---|
| 1 | extract() 它返回一个 unicode 字符串以及所选数据。 |
| 2 | re() 它返回一个 unicode 字符串列表，当正则表达式作为参数给出时提取该字符串。 |
| 3 | xpath() 它返回一个选择器列表，该列表表示由作为参数给出的 xpath 表达式选择的节点。 |
| 4 | css() 它返回一个选择器列表，表示由作为参数给出的 CSS 表达式选择的节点。 |
在 Shell 中使用选择器
要使用内置的 Scrapy shell 演示选择器，您需要在系统中安装 IPython。这里重要的是，在运行 Scrapy 时，URL 应包含在引号内；否则带有"&"字符的 URL 将不起作用。您可以在项目的顶级目录中使用以下命令启动 shell −
scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"
shell 如下所示 −
[ ... Scrapy log here ... ]
2014-01-23 17:11:42-0400 [scrapy] DEBUG: Crawled (200)
<GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>(referer: None)
[s] Available Scrapy objects:
[s] crawler <scrapy.crawler.Crawler object at 0x3636b50>
[s] item {}
[s] request <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
[s] response <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
[s] settings <scrapy.settings.Settings object at 0x3fadc50>
[s] spider <Spider 'default' at 0x3cebf50>
[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
In [1]:
当 shell 加载时，您可以分别使用 response.body 和 response.header 访问正文或标头。同样，您可以使用 response.selector.xpath() 或 response.selector.css() 对响应运行查询。
例如 −
In [1]: response.xpath('//title')
Out[1]: [<Selector xpath = '//title' data = u'<title>My Book - Scrapy'>]
In [2]: response.xpath('//title').extract()
Out[2]: [u'<title>My Book - Scrapy: Index: Chapters</title>']
In [3]: response.xpath('//title/text()')
Out[3]: [<Selector xpath = '//title/text()' data = u'My Book - Scrapy: Index:'>]
In [4]: response.xpath('//title/text()').extract()
Out[4]: [u'My Book - Scrapy: Index: Chapters']
In [5]: response.xpath('//title/text()').re('(\w+):')
Out[5]: [u'Scrapy', u'Index', u'Chapters']
提取数据
要从普通 HTML 网站提取数据，我们必须检查网站的源代码以获取 XPath。检查后，您可以看到数据将位于 ul 标记中。选择 li 标签内的元素。
以下代码行显示提取不同类型的数据 −
用于选择 li 标签内的数据 −
response.xpath('//ul/li')
用于选择描述 −
response.xpath('//ul/li/text()').extract()
用于选择网站标题 −
response.xpath('//ul/li/a/text()').extract()
用于选择网站链接 −
response.xpath('//ul/li/a/@href').extract()
以下代码演示了上述提取器的使用 −
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
