Spider-Scrapycss选择器提取数据
作者: 分类:
编程代码 时间:1970-01-01
Spider-Scrapycss选择器提取数据
首先我们来说说css选择器；其实在上面的概述：和scrapy相关的函数就这么三个而已：response.css("css表达式")、extract()、extract_first()。有变化的就是：css表达式的写法，这里我们就列举一些常见的表达式，虽然不能囊括100%的爬取任务，但可以很负责的说，至少可以囊括90%的爬取，这里小编会把常见的给诸位列举哈，诸位见类似的便可直接依葫芦画瓢使用了。按照HTML标签的结构可以分为：标签属性值提取、标签内容提取，我们分别介绍对应的情况；
href的值URL的提取：这是最常见的，我们要进入下一页、或是打开内容页……都少不了URL值，如下面这段HTML，我们来提取一下里面的URL
<ol class="page-navigator">
<li class="current"><a href="http://lab.scrapyd.cn/page/1/">1</a></li>
<li><a href="http://lab.scrapyd.cn/page/2/">2</a></li>
<li><a href="http://lab.scrapyd.cn/page/3/">3</a></li>
<li><a href="http://lab.scrapyd.cn/page/4/">4</a></li>
</ol>
这其实是我们爬虫实验室的分页，如果我们要爬取下一页，我们该如何提取URL呢？提取属性我们是用：“标签名::attr(属性名)”，比如我们要提取url表达式就是：a::attr(href)，要提取图片地址的表达式就是：img::attr(src)……以此类推，好了知道scrapy给我们提供的提取变了的工具，那我们就可以提取上面的URL了，有多种方式，首先我们可以直接：
response.css("a::attr(href)")
然后，我们调试一下，看是不是我们想要的结果，cmd输入：
scrapy shell lab.scrapy.cn
然后我们发现结果并非是我们想要的分页URL，而是页面中所有的URL：
Out[3]:
['http://lab.scrapyd.cn/',
'http://lab.scrapyd.cn/archives/57.html',
'http://lab.scrapyd.cn/tag/%E8%89%BA%E6%9C%AF/',
'http://lab.scrapyd.cn/tag/%E5%90%8D%E7%94%BB/',
……
'http://lab.scrapyd.cn/page/1/',
'http://lab.scrapyd.cn/page/2/',
……
'http://lab.scrapyd.cn/page/6/',
'http://lab.scrapyd.cn/page/2/',
'http://lab.scrapyd.cn/tag/%E4%BA%BA%E7%94%9F/',
……
'http://lab.scrapyd.cn/tag/%E5%90%8D%E7%94%BB/',
'http://lab.scrapyd.cn/tag/%E7%94%9F%E6%B4%BB/',
……
'http://lab.scrapyd.cn/']
这当然不是我们想要的，我们想要的只是分页的URL，那这要怎么办？那我们就需要限定一下我们URL的范围，***的方法就是找到我们要提取目标最近的class或是id，可以看到这段代码中有个class="page-navigator"，那我们就可以这样来写：
response.css(".page-navigator a::attr(href)").extract()
当这样限定之后，我们发现这就成功提取了我们想要的URL，灰常的完美！随便解释哈上面的：.page-navigator，其中点代表class选择器，如果代码中是：id=“page-navigator”，那我们这里就要写成：“#page-navigator”，大家如果不清楚可以去这里看看：https://www.runoob.com/css/css-id-class.html；
再来一个提取标签属性的栗子，最常见的就是我们的图片地址，也就是要提取图片的src值，如下面网页：
<article class="post" itemscope="" itemtype="http://schema.org/BlogPosting">
<h1 class="post-title" itemprop="name headline"><a itemprop="url" href="http://lab.scrapyd.cn/archives/57.html">中国传世名画</a></h1>
<div class="post-content" itemprop="articleBody">
<p>看官，此页面只为爬虫练习使用，都是残卷，若喜欢可以去找点高清版！</p>
<p><img src="http://lab.scrapyd.cn/usr/uploads/2018/02/3875934880.jpg" alt="1.jpg" title="1.jpg"></p>
<p><img src="http://lab.scrapyd.cn/usr/uploads/2018/02/2269613152.jpg" alt="2.jpg" title="2.jpg"></p>
<p><img src="http://lab.scrapyd.cn/usr/uploads/2018/02/2360992798.jpg" alt="3.jpg" title="3.jpg"></p>
<p><img src="http://lab.scrapyd.cn/usr/uploads/2018/02/2239103416.jpg" alt="4.jpg" title="4.jpg"></p>
<p><img src="http://lab.scrapyd.cn/usr/uploads/2018/02/4145232684.jpg" alt="5.jpg" title="5.jpg"></p>
</div>
<p itemprop="keywords" class="tags">标签: <a href="http://lab.scrapyd.cn/tag/%E8%89%BA%E6%9C%AF/">艺术</a>, <a href="http://lab.scrapyd.cn/tag/%E5%90%8D%E7%94%BB/">名画</a></p>
</article>
这个页面是我们爬虫实验室：http://lab.scrapyd.cn/archives/57.html的文章，我们要提取里面图片的地址供scrapy下载，有上面的基础就很简单了：首先找到隔img最近的class或id，可以看到有个：class="post-content"，于是我们可以这样写表达式：
response.css(".post-content img::attr(src)").extract()
调试的话自己试哈，经过这个表达式：".post-content img::attr(src)，可以看到已经成功提取出来：
Out[2]:
['http://lab.scrapyd.cn/usr/uploads/2018/02/3875934880.jpg',
'http://lab.scrapyd.cn/usr/uploads/2018/02/2269613152.jpg',
'http://lab.scrapyd.cn/usr/uploads/2018/02/2360992798.jpg',
'http://lab.scrapyd.cn/usr/uploads/2018/02/2239103416.jpg',
'http://lab.scrapyd.cn/usr/uploads/2018/02/4145232684.jpg']
好了上面便是提取标签属性的方法，利用的就是：标签名::attr(属性名)，关键点就是如何缩小范围！
2、标签内容的提取
设么是标签内容，比如：
<p>scrapy中文网</p>
<div>scrapy中文网：www.scrapyd.cn</div>
<h1>scrapy实验室：lab.scrapyd.cn</h1>
<title>scrapy中文网</title>
上面标签：p、div、h1里面的文字便是标签内容，那我们要如何提取呢？用到了scrapy给我提供的这么一个方法：“::text”，比如要提取上面p标签里面的内容，我们可以这样：
response.css("p::text").extract()
那接下来我们就演示哈如何提取scrapy中文网：http://www.scrapd.cn的title：
<html lang="zh-CN">
<head>
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1">
<title>Scrapy 中文网</title>
提取方式：
response.css("title::text").extract()
上面的这个栗子灰常简单，应为tittle标签是页面唯一的标签，所以在title前不用加什么限制，当你发现标签不唯一的时候，我们就需要缩小范围，原理和上面标签属性提取一样，要么找最近的class、要么找最近的id，然后最终缩小提取访问，这样就能让提取很准确，如下面这个例子：
<div class="left">
scrapy中文网左边
</div>
<div class="center">
scrapy中文网中部
</div>
<div class="right">
scrapy中文网右侧
</div>
如果我们要提取第二个div里面的内容，我们肯定不能这样：
response.css("div::text").extract()
如果这样提取的话，我们肯定得不到正确的结果，我们还需要限制哈范围，找到最近的class=“center”，最终表达式如下：
response.css(".center::text").extract()
这样的话就能正确提取我们想要的内容；下面我们再介绍一个最常用的提取方式：含有嵌套标签文字的提取，HTML如下：
<div class="post-content" itemprop="articleBody">
<p>如果你因失去了太阳而流泪，那么你也将失去群星了。 <br>
If you shed tears when you miss the sun, you also miss the stars.
</p>
<p>
<a href="http://www.scrapyd.cn">scrapy中文网（</a><a href="http://www.scrapyd.cn">http://www.scrapyd.cn</a>）整理
</p>
</div>
如果我们要提取class=“post-content”里面的所有文字，我们需要怎么办呢？显然上面的知识无法做到。这段文字是scrapy实验室：http://lab.scrapyd.cn/archives/28.html 里的文章，诸位可以scrapy shell进行验证结果，可以记住用下面的方式：
response.css(".post-content *::text").extract()
可以看到，“::tex“t前面有个“*”号，这是一个小技巧，一般人我都告诉他，学着点！好了，上面的一些常见的内容已经说了些；接下来我们来说一些比较复杂的表达式，大家根据情况使用：
3、CSS 高级用法：
CSS选择器用于选择你想要的元素的样式的模式。"CSS"列表示在CSS版本的属性定义（CSS1，CSS2，或对CSS3）。
| 选择器 |
示例 |
示例说明 |
CSS |
| .class |
.intro |
选择所有class="intro"的元素 |
1 |
| #id |
#firstname |
选择所有的元素 |
1 |
| * |
* |
选择所有元素 |
2 |
| element |
p |
选择所有<p>元素 |
1 |
| element,element |
div,p |
选择所有<div>元素和<p>元素 |
1 |
| element element |
div p |
选择<div>元素内的所有<p>元素 |
1 |
| element>element |
div>p |
选择所有父级是 <div> 元素的 <p> 元素 |
2 |
| element+element |
div+p |
选择所有紧接着<div>元素之后的<p>元素 |
2 |
| [attribute] |
[target] |
选择所有带有target属性元素 |
2 |
| [attribute=value] |
[target=-blank] |
选择所有使用target="-blank"的元素 |
2 |
| [attribute~=value] |
[title~=flower] |
选择标题属性包含单词"flower"的所有元素 |
2 |
| [attribute|=language] |
[lang|=en] |
选择一个lang属性的起始值="EN"的所有元素 |
2 |
| :link |
a:link |
选择所有未访问链接 |
1 |
| :visited |
a:visited |
选择所有访问过的链接 |
1 |
| :active |
a:active |
选择活动链接 |
1 |
| :hover |
a:hover |
选择鼠标在链接上面时 |
1 |
| :focus |
input:focus |
选择具有焦点的输入元素 |
2 |
| :first-letter |
p:first-letter |
选择每一个<P>元素的第一个字母 |
1 |
| :first-line |
p:first-line |
选择每一个<P>元素的第一行 |
1 |
| :first-child |
p:first-child |
指定只有当<p>元素是其父级的第一个子级的样式。 |
2 |
| :before |
p:before |
在每个<p>元素之前插入内容 |
2 |
| :after |
p:after |
在每个<p>元素之后插入内容 |
2 |
| :lang(language) |
p:lang(it) |
选择一个lang属性的起始值="it"的所有<p>元素 |
2 |
| element1~element2 |
p~ul |
选择p元素之后的每一个ul元素 |
3 |
| [attribute^=value] |
a[src^="https"] |
选择每一个src属性的值以"https"开头的元素 |
3 |
| [attribute$=value] |
a[src$=".pdf"] |
选择每一个src属性的值以".pdf"结尾的元素 |
3 |
| [attribute*=value] |
a[src*="runoob"] |
选择每一个src属性的值包含子字符串"runoob"的元素 |
3 |
| :first-of-type |
p:first-of-type |
选择每个p元素是其父级的第一个p元素 |
3 |
| :last-of-type |
p:last-of-type |
选择每个p元素是其父级的最后一个p元素 |
3 |
| :only-of-type |
p:only-of-type |
选择每个p元素是其父级的唯一p元素 |
3 |
| :only-child |
p:only-child |
选择每个p元素是其父级的唯一子元素 |
3 |
| :nth-child(n) |
p:nth-child(2) |
选择每个p元素是其父级的第二个子元素 |
3 |
| :nth-last-child(n) |
p:nth-last-child(2) |
选择每个p元素的是其父级的第二个子元素，从最后一个子项计数 |
3 |
| :nth-of-type(n) |
p:nth-of-type(2) |
选择每个p元素是其父级的第二个p元素 |
3 |
| :nth-last-of-type(n) |
p:nth-last-of-type(2) |
选择每个p元素的是其父级的第二个p元素，从最后一个子项计数 |
3 |
| :last-child |
p:last-child |
选择每个p元素是其父级的最后一个子级。 |
3 |
| :root |
:root |
选择文档的根元素 |
3 |
| :empty |
p:empty |
选择每个没有任何子级的p元素（包括文本节点） |
3 |
| :target |
#news:target |
选择当前活动的#news元素（包含该锚名称的点击的URL） |
3 |
| :enabled |
input:enabled |
选择每一个已启用的输入元素 |
3 |
| :disabled |
input:disabled |
选择每一个禁用的输入元素 |
3 |
| :checked |
input:checked |
选择每个选中的输入元素 |
3 |
| :not(selector) |
:not(p) |
选择每个并非p元素的元素 |
3 |
| ::selection |
::selection |
匹配元素中被用户选中或处于高亮状态的部分 |
3 |
| :out-of-range |
:out-of-range |
匹配值在指定区间之外的input元素 |
3 |
| :in-range |
:in-range |
匹配值在指定区间之内的input元素 |
3 |
| :read-write |
:read-write |
用于匹配可读及可写的元素 |
3 |
| :read-only |
:read-only |
用于匹配设置 "readonly"（只读） 属性的元素 |
3 |
| :optional |
:optional |
用于匹配可选的输入元素 |
3 |
| :required |
:required |
用于匹配设置了 "required" 属性的元素 |
3 |
| :valid |
:valid |
用于匹配输入值为合法的元素 |
3 |
| :invalid |
:invalid |
用于匹配输入值为非法的元素 |
3 |