Scrapy提取项目

为了从网页中提取数据，Scrapy使用了一种基于 XPath 和 CSS 表达式的称为选择器的技术。以下是XPath表达式的一些示例

  • / html / head / title - 这将选择HTML文档的 <head>元素内的<title>元素。
  • / html / head / title / text（） - 这将选择同一个 <title>元素中的文本。
  • // td - 这将从中选择所有元素。
  • // div [@class =“slice”] - 这将选择 div 中包含属性class =“slice”的所有元素

  • 选择器有四种基本方法，如下表所示 -

    序号 方法和描述
    1 extract() 它会返回一个unicode字符串以及选定的数据。
    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。
    3 xpath() 它返回一个选择器列表，它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，它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

    为了演示内置Scrapy外壳的选择器，您需要在系统中安装 IPython。这里最重要的是，在运行Scrapy时，URL应该包含在引号中; 否则带'＆'字符的网址将无法使用。您可以通过在项目的顶级目录中使用以下命令启动一个shell -

    scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"

    shell 将如下所示：

    [ ... 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]:

    当加载shell时，可以分别使用 response.body 和 response.header 来访问主体或标题。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。在检查之后，您可以看到数据将位于 ul 标签中。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：

    用于在li标签内选择数据：

    response.xpath('//ul/li')

    为了选择描述：

    response.xpath('//ul/li/text()').extract()

    为选择网站标题：

    response.xpath('//ul/li/a/text()').extract()

    为选择网站链接：

    response.xpath('//ul/li/a/@href').extract()

    以下代码演示了如何使用上述提取器。

    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

Item 对象是Python的常规字典。我们可以使用以下语法来访问该类的属性：>>> item = DmozItem()>>> item['title'] = 'sample ...