zoukankan      html  css  js  c++  java
  • 『Scrapy』终端调用&选择器方法

    Scrapy终端

    示例,输入如下命令后shell会进入Python(或IPython)交互式界面:

     scrapy shell "http://www.itcast.cn/channel/teacher.shtml"

     有一点注意的是必须是双引号,单引号会报错。

    之后会显示当前保存的数据结构以供查询,这和我们编写py脚本时的数据结构完全相同,可以直接使用相关方法,

    诸如:

    Scrapy Selectors

    如下所示,

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

    这两种方式提取的都是节点型数据,所以都可以使用.extract()或者.extract_first()方法提取data部分

    以下面的源码为例进行提取示范:

    <html>
     <head>
      <base href='http://example.com/' />
      <title>Example website</title>
     </head>
     <body>
      <div id='images'>
       <a href='image1.html'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
       <a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
       <a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
       <a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
       <a href='image5.html'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
      </div>
     </body>
    </html>
    

     提取标签属性,

    >>> response.xpath('//base/@href').extract()
    [u'http://example.com/']
    
    >>> response.css('base::attr(href)').extract()
    [u'http://example.com/']

    对提取目标路径的标签进行筛选,contains(@href, "image")表示href熟悉需要包含image字符,css同理,

    response.xpath('//a[contains(@href, "image")]/@href').extract()
    Out[1]: ['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

    response.xpath('//a[contains(@href, "image1")]/@href').extract()
    Out[2]: ['image1.html']
    response.css('a[href*=image]::attr(href)').extract()
    Out[3]: ['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

    esponse.css('a[href*=image2]::attr(href)').extract()
    Out[4]: ['image2.html']

    结合两者,

    >>> response.xpath('//a[contains(@href, "image")]/img/@src').extract()
    [u'image1_thumb.jpg',
     u'image2_thumb.jpg',
     u'image3_thumb.jpg',
     u'image4_thumb.jpg',
     u'image5_thumb.jpg']
    
    >>> response.css('a[href*=image] img::attr(src)').extract()
    [u'image1_thumb.jpg',
     u'image2_thumb.jpg',
     u'image3_thumb.jpg',
     u'image4_thumb.jpg',
     u'image5_thumb.jpg']

    内置了正则表达式re和re_first方法,

    response.xpath('//a[contains(@href, "image")]/text()')
    Out[8]:
    [<Selector xpath='//a[contains(@href, "image")]/text()' data='Name: My image 1 '>,
     <Selector xpath='//a[contains(@href, "image")]/text()' data='Name: My image 2 '>,
     <Selector xpath='//a[contains(@href, "image")]/text()' data='Name: My image 3 '>,
     <Selector xpath='//a[contains(@href, "image")]/text()' data='Name: My image 4 '>,
     <Selector xpath='//a[contains(@href, "image")]/text()' data='Name: My image 5 '>]


    response.xpath('//a[contains(@href, "image")]/text()').re(r'Name:s*(.*)')
    Out[7]: ['My image 1 ', 'My image 2 ', 'My image 3 ', 'My image 4 ', 'My image 5 ']

    response.xpath('//a[contains(@href, "image")]/text()').re_first(r'Name:s*(.*)')
    Out[9]: 'My image 1 '
  • 相关阅读:
    vue中height设置为100%却无法铺满整个页面
    cpp快速上手
    CSP_2020061_线性分类器
    cpp快速上手
    算法笔记
    cpp中set的使用
    cpp中vector的使用
    常用命令
    常用git命令
    Linux使用docker安装fastfs
  • 原文地址:https://www.cnblogs.com/hellcat/p/7427099.html
Copyright © 2011-2022 走看看