一. 基本概念

1. Selector是一个可独立使用的模块，我们可以用Selector类来构建一个选择器对象，然后调用它的相关方法如xpaht(), css()等来提取数据，如下
from  scrapy import Selector

body= '<html><head><title>Hello World</title></head><body></body> </ html> ’

selector  = Selector(text=body)

title  = selector.xpath('//title/text()').extract_first()

print(title)

输出为

Hello World
 
 
2. scrapy shell 主要用于测试scrapy项目中命令是否生效，可在bash下直接执行，
这里我们通过使用scrapy shell来验证学习选择器提取网页数据，在linux中bash下执行命令
scrapy shell http://doc.scrapy.org/en/latest/_static/selectors-sample1.html即可进入scrapy shell命令模式
上面测试网站源码
<html>

 <head>

  <base href='http://example.com/' />

  <title>Example website</title>

 </head>

 <body>

  <div id='images'>

   <a href='image1.html'>Name: My image  <br /><img src='image1_thumb.jpg' /></a>

   <a href='image2.html'>Name: My image  <br /><img src='image2_thumb.jpg' /></a>

   <a href='image3.html'>Name: My image  <br /><img src='image3_thumb.jpg' /></a>

   <a href='image4.html'>Name: My image  <br /><img src='image4_thumb.jpg' /></a>

   <a href='image5.html'>Name: My image  <br /><img src='image5_thumb.jpg' /></a>

  </div>

 </body>

</html>
 

二.  scrapy shell中有内置选择器response.selector，可用于提取网页信息，几个例子如下

1. xpath和css的基本用法

#获取<title>的文本值，其中第一个selector字符可以不写

response.selector.xpath('//title/text()').extract_first()response.selector.css('title::text').extract_first()

#获取a标签的href属性值

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

response.css('a::attr(href)').extract() 

#查找属性名称包含image字样的所有a标签

 response.xpath('//a[contains(@href, "image")]/@href').extract()

 response.css('a[href*=image]::attr(href)').extract()

#查找属性名称包含image字样的所有a标签，并且在下级img目录下的src属性值

 response.xpath('//a[contains(@href, "image")]/img/@src').extract()

 response.css('a[href*=image] img::attr(src)').extract()

#结合正则表达式提取所需内容

 response.css('a::text').re('Name\:(.*)')   #提取(.*)代表的内容

 response.css('a::text').re_first('Name\:(.*)').strip()  #提取第一个(.*）代表的内容，strip()去除首尾空格

2. xpath和css也可以一起用

#先选上src属性标签

response.xpath('//div[@id="images"]').css('img::attr(src)'))

#提取相应信息

response.xpath('//div[@id="images"]').css('img::attr(src)')).extract() #得到多个字符值

response.xpath('//div[@id="images"]').css('img::attr(src)')).extract_first() #得到一个字符值

response.xpath('//div[@id="images"]').css('img::attr(src)')).extract_first(default='') #如果没提取到返回默认值
注意：
1. extract()方法把selector类型变为数据类型
2. [@id="images"]表示用属性来限制匹配的范围，只查找id属性值等于images的div标签，经测试[]中的id属性值image必须用双引号



												


											
scrapy 中用selector来提取数据的用法的更多相关文章
	

    
								
  1. 在scrapy中利用Selector来提取数据
		
    1.创建对象 Selector类的实现位于scrapy.selector模块,创建Selector对象的时候,可以将页面的Html文档字符串传递给Selector构造器方法 2.选中数据 调用Sele ...
    
		
    2. 
						
  2. BeautifulSoup4 提取数据爬虫用法详解
		
    Beautiful Soup 是一个HTML/XML 的解析器,主要用于解析和提取 HTML/XML 数据. 它基于 HTML DOM 的,会载入整个文档,解析整个 DOM树,因此时间和内存开销都会大 ...
    
		
    3. 
						
  3. scrapy框架Selector提取数据
		
    从页面中提取数据的核心技术是HTTP文本解析,在python中常用的模块处理: BeautifulSoup  非常流行的解析库,API简单,但解析的速度慢. lxml 是一套使用c语言编写的xml解析 ...
    
		
    4. 
						
  4. scrapy之使用LinkExtractor提取链接
		
    一.概述: 在页面含有少量链接时,使用selector来提取信息就可以,但如果链接特别多时,就需要用LinkExtractor来提取. 二.LinkExtractor构造器的各个参数: 1.allow ...
    
		
    5. 
						
  5. Scrapy 框架（二）数据的持久化
		
    scrapy数据的持久化(将数据保存到数据库) 一.建立项目 1.scrapy startproject dushu 2.进入项目 cd dushu 执行:scrapy genspider -t cr ...
    
		
    6. 
						
  6. scrapy中Selector的使用
		
    scrapy的Selector选择器其实也可以用来解析,今天主要总结下css和xpath的用法,其实我个人最喜欢用css 以慕课网嵩天老师教程中的一个网页为例,python123.io/ws/demo ...
    
		
    7. 
						
  7. [数据科学] 从csv, xls文件中提取数据
		
    在python语言中,用丰富的函数库来从文件中提取数据,这篇博客讲解怎么从csv, xls文件中得到想要的数据. 点击下载数据文件http://seanlahman.com/files/databas ...
    
		
    8. 
						
  8. Python中用format函数格式化字符串的用法
		
    这篇文章主要介绍了Python中用format函数格式化字符串的用法,格式化字符串是Python学习当中的基础知识,本文主要针对Python2.7.x版本,需要的朋友可以参考下   自python2. ...
    
		
    9. 
						
  9. mysql 导出表结构和表数据 mysqldump用法
		
    mysql 导出表结构和表数据 mysqldump用法 命令行下具体用法如下:   mysqldump -u用戶名 -p密码 -d 数据库名 表名 > 脚本名; 导出整个数据库结构和数据mysq ...
    
		
    10. 
		

	


随机推荐
	

    
									
  1. the difference between fopen&open
			
    ［the difference between fopen&open］ fopen是C标准API,open是linux系统调用,层次上fopen基于open,在其之上.fopen有缓存,ope ...
    
			
    2. 
						
  2. Cocoa Touch（四）: 多线程GCD, NSObject, NSThread, NSOperationQueue
			
    多线程的重要性不必多言,现代操作系统不可能离开进程线程的抽象.具体到ios应用,我们只能在一个进程中管理线程,主线程不应该去执行非常耗时间的后台操作导致出现卡机现象,后台的事情交给后台线程来完成. G ...
    
			
    3. 
						
  3. acer笔记本禁用或关闭触摸板
			
    acer笔记本禁用或关闭触摸板 如果启用或停用AspireOne的触摸板? 如果您希望启用或停用触摸板,请同时按下功能键(Fn)key和F7键.屏幕上会显示触摸板是否已启用或已禁用.
    
			
    4. 
						
  4. 2.QWidget类
			
    简述: QWidget类是所有用户界面对象的基类. Widget是用户界面的基本单元:它从窗口系统接收鼠标,键盘和其他事件,并在屏幕上绘制自己. 每个Widget都是矩形的,它们按照Z-order进行 ...
    
			
    5. 
						
  5. [Selenium] Java代码获取屏幕分辨率
			
    import java.awt.Dimension; import java.awt.GraphicsEnvironment; import java.awt.Insets; import java. ...
    
			
    6. 
						
  6. [Java] 获取当前Project所在的路径
			
    String projectPath = System.getProperty ("user.dir").toString()
    
			
    7. 
						
  7. 10个实用的UX设计作品推销小窍门
			
    以下内容由Mockplus(摹客)团队翻译整理,仅供学习交流,Mockplus是更快更简单的原型设计工具. 众所周知,产品用户体验很重要,即使是Google也知道这一点.但是,当真正涉及到UX 设计销 ...
    
			
    8. 
						
  8. VS2010+SVN
			
    小乌龟版本用1.6,用1.8时老报错SVN是2.06, SVN Server是2.1.9
    
			
    9. 
						
  9. 如何在Github上删除项目及某个文件
			
    在Github上删除项目 在GitHub仓库中找到已经建立好的某个仓库,本篇文章以我的myBookCodes仓库为例,在建立的myBookCodes仓库中首先找到settings选项,如图所示: 将页 ...
    
			
    10. 
						
  10. SpringMVC源码解析 - HandlerAdater - ModelAndViewContainer上下文容器
			
    HandlerAdapter在处理请求时上下文数据的传递工作是由ModelAndViewContainer负责的. 源码注释是这样描述的: Records model and view related ...
    
			
    11.