Scrapy學習篇（六）之Selector選擇器

當我們取得了網頁的response之后，最關鍵的就是如何從繁雜的網頁中把我們需要的數據提取出來，python從網頁中提取數據的包很多，常用的有下面的幾個：

• BeautifulSoup
  它基於HTML代碼的結構來構造一個Python對象， 對不良標記的處理也非常合理，但是速度上有所欠缺。
• lxml
  是一個基於 ElementTree (不是Python標准庫的一部分)的python化的XML解析庫(也可以解析HTML)。

你可以在scrapy中使用任意你熟悉的網頁數據提取工具，但是，scrapy本身也為我們提供了一套提取數據的機制，我們稱之為選擇器(seletors)，他們通過特定的 XPath 或者 CSS 表達式來“選擇” HTML文件中的某個部分。XPath 是一門用來在XML文件中選擇節點的語言，也可以用在HTML上。 CSS 是一門將HTML文檔樣式化的語言。選擇器由它定義，並與特定的HTML元素的樣式相關連。
Scrapy選擇器構建於 lxml 庫之上，這意味着它們在速度和解析准確性上非常相似。下面我們來了解scrapy選擇器。

使用選擇器

scrapy中調用選擇器的方法非常的簡單，下面我們從實例中進行學習。
我們還是以博客園首頁的信息作為例子，演示使用選擇器抓取數據，下圖是首頁的html信息，我們下面就是抓取標題，鏈接，閱讀數，評論數。

import scrapy
from scrapy.selector import Selector

class Cnblog_Spider(scrapy.Spider):

    name = "cnblog"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
     'https://www.cnblogs.com/',
    ]

    def parse(self, response):
        selector = Selector(response=response)
        title = selector.xpath('//a[@class="titlelnk"]/text()').extract()
        link = selector.xpath('//a[@class="titlelnk"]/@href').extract()
        read = selector.xpath('//span[@class="article_comment"]/a/text()').extract()
        comment = selector.xpath('//span[@class="article_view"]/a/text()').extract()
        print('這是title：',title)
        print('這是鏈接：', link)
        print('這是閱讀數', read)
        print('這是評論數', comment)

選擇器的使用可以分為下面的三步：

1. 導入選擇器from scrapy.selector import Selector
2. 創建選擇器實例selector = Selector(response=response)
3. 使用選擇器selector.xpath()或者selector.css()

當然你可以使用xpath或者css中的任意一種或者組合使用，怎么方便怎么來,至於xpath和css語法，你可以去額外學習，仔細觀察，你會發現每個選擇器最后都有一個extract()，你可以嘗試去掉這個看一下，區別在於，當你沒有使用extract()的時候，提取出來的內容依然具有選擇器屬性，簡而言之，你可以繼續使用里面的內容進行提取下級內容，而當你使用了extract()之后，提取出來的內容就會變成字符串格式了。我們進行多級提取的時候，這會很有用。值得注意的是，選擇器提取出來的內容是放在列表里面的，即使沒有內容，那也是一個空列表，下面我們運行這個爬蟲，你會發現內容已經被提取出來了。

事實上，我們可以完全不用那么麻煩，因為scrapy為我們提供了選擇器的簡易用法，當我們需要選擇器的時候，只要一步就可以了，如下：

import scrapy

class Cnblog_Spider(scrapy.Spider):
    name = "cnblog"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
        'https://www.cnblogs.com/',
    ]

    def parse(self, response):
        title = response.xpath('//a[@class="titlelnk"]/text()').extract()
        link = response.xpath('//a[@class="titlelnk"]/@href').extract()
        read = response.xpath('//span[@class="article_comment"]/a/text()').extract()
        comment = response.xpath('//span[@class="article_view"]/a/text()').extract()
        print('這是title：', title)
        print('這是鏈接：', link)
        print('這是閱讀數', read)
        print('這是評論數', comment)

可以看到，我們直接使用response.xpath()就可以了，並沒有導入什么，實例化什么，可以說非常方便了，當然直接response.css()一樣可以。

拓展

scrapy為我們提供的選擇器還有一些其他的特點，這里我們簡單的列舉

• extract()

  >>> response.xpath('//title/text()')
  [<Selector (text) xpath=//title/text()>]
  >>> response.css('title::text')
  [<Selector (text) xpath=//title/text()>]
  

  前面已經提到了，.xpath() 及 .css() 方法返回一個類 SelectorList 的實例, 它是一個新選擇器的列表，就是說，你依然可以使用里面的元素進行向下提取，因為它還是一個選擇器，為了提取真實的原文數據，我們需要調用 .extract()
• extract_first()
  如果想要提取到第一個匹配到的元素, 可以調用response.xpath('//span[@class="article_view"]/a/text()').extract_first() 這樣我們就拿到了第一個匹配的數據，當然，我們之前提到了選擇器返回的數據是一個列表，那么你當然可以使用response.xpath('//span[@class="article_view"]/a/text()').extract()[0]拿到第一個匹配的數據，這和response.xpath('//span[@class="article_view"]/a/text()')[0].extract()效果是一樣的，值得注意的是，如果是空列表，這兩種方法的區別就出現了，extract_first()會返回None，而后面的那種方法，就會因列表為空而報錯。
  除此之外，我們還可以為extract_first()設置默認值，當空列表時，就會返回一個我們設置的值，比如：extract_first(default='not-found')。

結合正則表達式

你會發現，之前我們匹配的閱讀數，評論數都會有漢字在里面，如果我們只想提取里面的數字呢，這個時候就可以使用正則表達式和選擇器配合來實現，比如下面：

import scrapy

class Cnblog_Spider(scrapy.Spider):
    name = "cnblog"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
        'https://www.cnblogs.com/',
    ]

    def parse(self, response):
        read = response.xpath(
                '//span[@class="article_comment"]/a/text()').re('\d+')
        comment = response.xpath(
                '//span[@class="article_view"]/a/text()').re('\d+')
        print('這是閱讀數', read)
        print('這是評論數', comment)

運行一下，可以看到，效果就出來了。