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. MySql 关键字冲突解决办法
			
    今天把项目发布到另一台机器上时,因为mysql版本不一致,出现了关键字冲突,virtual关键字,不清楚是不是mysql添加的新特性. select * from herb where name=&q ...
    
			
    2. 
						
  2. java web作用域page request session application
			
    转载自:http://blog.csdn.net/wyd458549392147/article/details/6944481 1.page指当前页面.只在一个jsp页面里有效 . 2.reques ...
    
			
    3. 
						
  3. 【总结整理】关于挪车和虚拟号的思考-转载v2ex
			
    https://www.baidu.com/link?url=A7wiF1JpOkT6Juo0nNHKcum0OiQsnRj-EZkQfjc3xB-noUeLy3HEY-4plbFmPmuJ& ...
    
			
    4. 
						
  4. Unity3D 游戏在 iOS 上因为 trampolines 闪退的原因与解决办法
			
    崩溃的情况 进入游戏一会儿,神马都不要做,双手离开手机,盯着屏幕看吧,游戏会定时从服务器那儿读取一些数据,时间一长,闪退了.尼玛问题是神马呢?完全没有头绪,不过大体猜测是因为网络请求导致的,那么好,先 ...
    
			
    5. 
						
  5. 34-TypeError: BoxSizer.AddSpacer(): argument 1 has unexpected type 'tuple'
			
    TypeError: BoxSizer.AddSpacer(): argument 1 has unexpected type 'tuple'这个错误很烦,折腾了好久: 原因有二:1.因为它现在只能有 ...
    
			
    6. 
						
  6. c语言静态断言
			
    在php中可以通过xdebug来显示详细的错误信息,可以细化到哪个文件哪行代码引起的报错.在C语言里面也可以通过静态断言(assert)来使得调试代码更加方便.关于断言,可以作为一种很强大的调试方式或 ...
    
			
    7. 
						
  7. svn版本分支及冲突解决笔记
			
    转载:http://blog.csdn.net/xuguiyi100/article/details/51966557 分支合并主干示例 1.主干工程右键选择merge合并下一步 2.选中merge  ...
    
			
    8. 
						
  8. AngularJs2.0
			
    AngularJs2.0中文官网站发布了. 官网地址:https://angular.cn/ 官网点击任何中文地方都可以显示英文原文,中文文档暂时只有 TypeScript的,JavaScript和d ...
    
			
    9. 
						
  9. context:propertyPlaceholder
			
    Activates replacement of ${...} placeholders by registering a PropertySourcesPlaceholderConfigurer w ...
    
			
    10. 
						
  10. 《官方资料》 例如：string 函数 、分组函数
			
    site:www.mysql.com SUBSTRING_INDEX ----------------------------------------------------------------- ...
    
			
    11.