scrapy实战，使用内置的xpath，re和css提取值
以伯乐在线文章为爬取目标blog.jobbole.com，发现在"最新文章"选项中可看到所有文章
一般来说，可以用scrapy中自带的xpath或者css来提取数据，定义在spiders/jobbole.py中的def parse(self, response)
import scrapy
class JobboleSpider(scrapy.Spider):
name = 'jobbole'
allowed_domains = ['blog.jobbole.com']
start_urls = ['http://blog.jobbole.com/']
def parse(self, response):
re_selector = response.xpath('//*[@id="post-110287"]/div[1]/h1/text()')
注意：因为jqury会生成额外的代码，我们在源码看到的代码和页面加载之后显示的代码可能不同，所以不要按层级一步步找，最好找到id，或者class来定位
小技巧：
1）当我们使用class来定位标签时，可以在F12中用ctrl+F 查看这个class名字是否唯一
2）Xpath路径可右键直接复制
一. Xpath常用方法
1. 常用规则如下
// 从当前节点选取子孙节点，如果符号前面没路径，表示整个文档
/ 从当前节点选取直接子节点
. 选取当前节点
.. 选取当前节点父节点
@ 选取属性
//* 整个HTML文本中的所有节点
例子1
<html><body><div> <ul> <li class="item-0"><a href="link1.html"><span>first item</span></a></li> <li class="item-1"><a href="link2.html">second item</a></li> <li class="item-inactive"><a href="link3.html">third item</a></li> <li class="item-1"><a href="link4.html">fourth item</a></li> <li class="item-0"><a href="link5.html">fifth item</a></li> </ul> </div></body></html>
1. 获取父节点属性
首先选中href属性为link4.html的a节点，然后再获取其父节点，然后再获取其class属性
result1 = response.xpath('//a[@href="link4.html"]/../@class')
我们也可以通过parent::来获取父节点
result2 = response.xpath('//a[@href="link4.html"]/parent::*/@class')
注意：
//a表示html中的所有a节点，他们的href属性有多个，这里[]的作用是属性匹配，找到a的href属性为link4.html的节点
2. 获取节点内部文本
获取class为item-1的li节点文本，
result3 = response.xpath('//li[@class="item-0"]/a/text()')
返回结果为['first item', 'fifth item']
3. 属性获取
获取所有li节点下的所有a节点的href属性
result4 = response.xpath('//li/a/@href')
返回结果为['link1.html', 'link2.html', 'link3.html', 'link4.html', 'link5.html']
4. 按序选择
result = response.xpath('//li[1]/a/text()') #选取第一个li节点
result = response.xpath('//li[last()]/a/text()') #选取最后一个li节点
result = response.xpath('//li[position()<3]/a/text()') #选取位置小于3的li节点，也就是1和2的节点
result = response.xpath('//li[last()-2]/a/text()') #选取倒数第三个节点
5. 节点轴选择
1）返回第一个li节点的所有祖先节点，包括html,body,div和ul
result = response.xpath('//li[1]/ancestor::*')
2）返回第一个li节点的<div>祖先节点
result = response.xpath('//li[1]/ancestor::div')
3）返回第一个li节点的所有属性值
result = response.xpath('//li[1]/attribute::*')
4）首先返回第一个li节点的所有子节点，然后加上限定条件，选组href属性为link1.html的a节点
result = response.xpath('//li[1]/child::a[@href="link1.html"]')
5）返回第一个li节点的所有子孙节点，然后加上只要span节点的条件
result = response.xpath('//li[1]/descendant::span')
6）following轴可获得当前节点之后的所有节点，虽然使用了*匹配，但是又加了索引选择，所以只获取第2个后续节点，也就是第2个<li>节点中的<a>节点
result = response.xpath('//li[1]/following::*[2]')
7）following-sibling可获取当前节点之后的所有同级节点，也就是后面所有的<li>节点
result = response.xpath('//li[1]/following-sibling::*')
6. 属性多值匹配
<li class="li li-first"><a href="link.html">first item</a></li>
result5 = response.xpath('//li[@class="li"]/a/text()')
返回值为空，因为这里HTML文本中li节点为class属性有2个值li和li-first，如果还用之前的属性匹配就不行了，需要用contain()函数
正确方法如下
result5 = response.xpath('//li[contains(@class, "li")]/a/text()')
contains()方法中，第一个参数为属性名，第二个参数传入属性值，只要此属性名包含所传入的属性值就可完成匹配
7. 多属性匹配，这里说一下不用框架的时候，xpath的常规用法
有时候我们需要多个属性来确定一个节点，那么就需要同时匹配多个属性，可用and来连接
from lxml import etree
text = '''
<li class = "li li-first" name="item"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result6 = html.xpath('//li[contains(@class, "li") and @name="item"]/a/text()')
print(result)
这里的li节点有class和name两个属性，需要用and操作符相连，然后置于中括号内进行条件筛选
二. 调试命令
cmd中执行如下代码，即可进入调试命令行，这个命令已经取得了页面中的原代码，命令测试成功后即可放在def parse函数中
scrapy shell http://blog.jobbole.com/110287
开始调试，
1. 取得文章标题
>>> title = response.xpath('//div[@class="entry-header"]/h1/text()')
>>> title
[<Selector xpath='//div[@class="entry-header"]/h1/text()' data='2016 腾讯软件开发面试题（部分）'>]
>>> title.extract()
['2016 腾讯软件开发面试题（部分）']
>>> title.extract()[0]
'2016 腾讯软件开发面试题（部分）'
>>> title.extract_first()
'2016 腾讯软件开发面试题（部分）'
说明
1）extract()方法会把原数据的selector类型转变为列表类型
2）extract()会得到多个值，extract()[1]取第2个值
3）extract_first()得到第一个值，类型为字符串。extract_first(default='')如果没取到返回默认值
2. 取得发表日期
>>> response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract()[0].strip().replace("·","").strip()
'2017/02/18'
3. 点赞数，span标签里有很多class名，选一个看起来像唯一的，测试一下，然后用contains()函数简化操作
>>> response.xpath("//span[contains(@class, 'vote-post-up')]/h10/text()").extract()
['2']
>>> response.xpath("//span[contains(@class, 'vote-post-up')]/h10/text()").extract()[0]
'2'
>>> int(response.xpath("//span[contains(@class, 'vote-post-up')]/h10/text()").extract()[0])
2
4. 收藏数，要用正则，re模块也是scrapy的内置模块，注意要用非贪婪匹配，否则只会取到8
>>> response.xpath("//span[contains(@class, 'bookmark-btn')]/text()").extract()[0]
' 28 收藏'
>>> string = response.xpath("//span[contains(@class, 'bookmark-btn')]/text()").extract()[0]
>>> import re
>>> pattern = re.match(".*?(\d+).*", string)
>>> pattern.group(1)
'28'
可以简写为
>>> response.xpath("//span[contains(@class, 'bookmark-btn')]/text()").re('.*?(\d+).*')
['28']
>>> response.xpath("//span[contains(@class, 'bookmark-btn')]/text()").re('.*?(\d+).*')[0]
'28'
5. 使用列表推导式取得一个标签中的部分元素，如下取得职场和面试字样。适用于有些文章没评论标签的情况
找到不是以"评论"结尾的元素
>>> response.xpath("//p[@class='entry-meta-hide-on-mobile']/a/text()").extract()
['职场', ' 9 评论 ', '面试']
>>> tag_list = response.xpath("//p[@class='entry-meta-hide-on-mobile']/a/text()").extract()
>>> [element for element in tag_list if not element.strip().endswith("评论")]
['职场', '面试']
>>> tag_choose=[element for element in tag_list if not element.strip().endswith("评论")]
>>> tags=",".join(tag_choose)
>>> tags
'职场,面试'
join()函数基本语法： 'sep'.join(seq)。表示以sep为分隔符，将seq中所有的元素合并成一个新的字符串
sep表示分隔符，可以为空；
seq表示要连接的数据，数据类型可以是列表，字符串，元组或者字典
三. css提取方式
1. css的几个选择器
|
li a
|
选取所有li下的所有a节点
|
|
ul + p
|
选择ul后面的第一个p元素，ul和p是兄弟节点
|
|
div#container>ul
|
选取id为container的div标签，下边的第一个ul子元素
|
|
ul ~ p
|
选取与ul相邻的所有p元素
|
|
a[title]
|
选取所有含有title属性的a元素
|
|
a::attr(href)
|
获取所有a元素的href属性值
|
|
a[href="http://jobbole.com"]
|
选取所有href属性为http://jobbole.com值的a元素
|
|
a[href*="jobble"]
|
选取所有href属性包含jobbole的a元素
|
|
a[href^="http"]
|
选取所有href属性值以http开头的a元素
|
|
a[href$=".jpg"]
|
选取所有href属性值以.jpg结尾的a元素
|
|
input[type=radio]:checked
|
选择选中的radio的元素
|
|
div:not(#container)
|
选取所有id不等于container的div元素
|
|
li:nth-child(3)
|
选取第三个li元素
|
|
tr:nth-child(2n)
|
选取偶数位的tr元素
|
2. scrapy shell中使用css来提取数据
scrapy shell http://blog.jobbole.com/110287
1）提取标题，需要用到css的伪类 ::text
>>> response.css(".entry-header h1").extract()
['<h1>2016 腾讯软件开发面试题（部分）</h1>']
>>> response.css(".entry-header h1::text").extract()[0]
'2016 腾讯软件开发面试题（部分）'
2）文章创建时间
>>> response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace(" ·","")
'2017/02/18'
注意:这里p和类名之间没空格，表示类名为entry-meta-hide-on-mobile的p元素
3）点赞数，对于属性多值匹配用css会很方便
>>> response.css(".vote-post-up h10::text").extract()[0]
'2'
4） 收藏数，注意转义字符的方向
>>> response.css(".bookmark-btn::text").extract()[0]
' 28 收藏'
>>> string = response.css(".bookmark-btn::text").extract()[0]
>>> tag=re.match(".*?(\d+).*", string)
>>> tag.group(1)
'28'
其实正则re也是scrapy的内置模块，可以简写为如下
>>> response.css(".bookmark-btn::text").re('.*?(\d+).*')
['28']
>>> response.css(".bookmark-btn::text").re('.*?(\d+).*')[0]
'28'
5） 提取正文内容，一般把格式也取出来
response.css("div.entry").extract()[0]
6） 取得职场，评论，面试字样
>>> response.css("p.entry-meta-hide-on-mobile a::text").extract()
['职场', ' 9 评论 ', '面试']
