Scrapy元素選擇器Xpath用法匯總
眾所周知，在設計爬蟲時，最麻煩的一步就是對網(wǎng)頁元素進行分析，目前流行的網(wǎng)頁元素獲取的工具有BeautifulSoup，lxml等，而據(jù)我使用的體驗而言，Scrapy的元素選擇器Xpath（結合正則表達式）是其中較為出色的一種（個人認為最好啦，當然只能在Scrapy中使用）功能相對較全、使用較為方便，正因為它的豐富性，有時很多功能會忘記，所以在這里整理好記錄下來，方便今后查閱使用。
1. 元素的多級定位與跳級定位
多級定位：依靠html中的多級元素逐步縮小范圍
response.xpath('//table/tbody/tr/td')
//如果知道元素所屬的下標可以用下標選擇
response.xpath('//table/tbody/tr[1]/td')
跳級定位：符號“//”表示跳級定位，即對當前元素的所有層數(shù)的子元素（不僅是第一層子元素）進行查找，一般xpath的開頭都是跳級定位
response.xpath('//span//table')
2. 依靠元素的屬性定位
每個html元素都有很多屬性，如id、class、title、href、text(href和text往往可以配合正則表達式）等，這些屬性往往具有很強的特殊性，結合元素多級定位或跳級定位會更準確高效，下面舉幾個典型的例子，其他的舉一反三
利用class定位
response.xpath('//td[@class="mc_content"]')
利用href配合正則表達式定位
response.xpath('//a[re:test(@href,"^\/index\.php\?m=News&a=details&id=1&NewsId=\d{1,4}")]')
利用text結合正則表達式定位
a=response.xpath('//a[re:test(text(),"\w{4}")]')
此外，xpath還有對于html元素操作的兩個實用的函數(shù)（可以用正則表達式代替）——starts-with和contains；
a=response.xpath('//a[starts-with(@title,"注冊時間")]')
a=response.xpath('//a[contains(text(),"聞")]')
3. 提取元素或元素的屬性值
首先是最基本的extract()函數(shù)，提取被定為的元素對象
a=response.xpath('//a[contains(text(),"聞")]').extract()
//如果被定為的元素對象有多個，可以有用下標指定
a=response.xpath('//a[contains(text(),"聞")]').extract()[1]
提取元素的屬性
//提取text
a=response.xpath('//a[contains(text(),"聞")]/text()').extract()
//獲取href
a=response.xpath('//a[contains(text(),"聞")]/@href').extract()
//獲取name
a=response.xpath('//a[contains(text(),"聞")]/@name').extract()
此時我們的正則表達式又閑不住了（scrapy自帶的函數(shù)），可以對提取的元素進行選擇
//對href中的部分字符串進行選擇
response.xpath('//a[@name="_l_p_n"]/@href').re('\/s.*?list\.htm')
在這里關于xpath的所有用法基本總結完畢，只是由于xpath是對靜態(tài)元素進行匹配選擇，對于javascript往往束手無策，這時不得不用一個自動化測試工具——selenium，可以實現(xiàn)各種動態(tài)事件和靜態(tài)元素的選擇，只是selenium往往比較吃內(nèi)存，響應時間也比較慢，對于大型的爬蟲任務盡量不要使用，畢竟有一些javascript元素是內(nèi)嵌在網(wǎng)頁代碼中的，這時候結合萬能的正則表達式，xpath往往能夠?qū)崿F(xiàn)。如下：
link = re.search("javascript:goToPage\('(.*?)'", value) //value為包含該段的字符串
到此這篇關于Scrapy元素選擇器Xpath用法匯總的文章就介紹到這了,更多相關Scrapy元素選擇器Xpath 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
解決遇到:PytorchStreamReader failed reading zip&n
本文針對"PytorchStreamReaderfailedreadingziparchive:failedfindingcentral"錯誤提出解決方案,包括檢查文件完整性、文件路徑,嘗試更新PyTorch版本,檢查壓縮文件格式,代碼問題,或?qū)で蠹夹g支持等,希望這些經(jīng)驗能給遇到同樣問題的人一個參考2024-09-09
PyCharm GUI界面開發(fā)和exe文件生成的實現(xiàn)
這篇文章主要介紹了PyCharm GUI界面開發(fā)和exe文件生成，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-03-03
這篇文章主要為大家詳細介紹了Python如何利用Flask動態(tài)生成一個漢字頭像，文中的示例代碼講解詳細，對我們學習Python有一定的幫助，需要的可以參考一下2023-01-01
Python批量發(fā)送post請求的實現(xiàn)代碼
昨天學了一天的Python（我的生產(chǎn)語言是java，也可以寫一些shell腳本，算有一點點基礎），今天有一個應用場景，就正好練手了2018-05-05
windows下pycharm搭建spark環(huán)境并成功運行 附源碼
這篇文章主要介紹了windows下pycharm搭建spark環(huán)境并成功運行 附源碼,本文分步驟給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-04-04
迭代器和生成器都是Python中特有的概念，迭代器可以看作是一個特殊的對象，每次調(diào)用該對象時會返回自身的下一個元素，從實現(xiàn)上來看，一個可迭代的對象必須是定義了__iter__()方法的對象，而一個迭代器必須是定義了__iter__()方法和next()方法的對象。2016-03-03
這篇文章主要介紹了Python matplotlib實時畫圖案例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04
這篇文章主要給大家分享100?個?Python?小例子，前文分享了一二三，本文的四十最后一篇了，這篇就把100道python小練習全分享完了，感興趣的小伙伴也可以去練習前幾期內(nèi)容，洗碗給這幾篇文章給你的學習帶來幫助2022-01-01
Django結合使用Scrapy爬取數(shù)據(jù)入庫的方法示例
這篇文章主要介紹了Django結合使用Scrapy爬取數(shù)據(jù)入庫的方法示例，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-03-03
堅持每天學一點，每天積累一點點，作為自己每天的業(yè)余收獲，這個文章是我在吃飯的期間寫的，利用自己零散的時間學了一下python操作MYSQL，所以整理一下。我采用的是MySQLdb操作的MYSQL數(shù)據(jù)庫。先來一個簡單的例子吧2013-10-10