scrapy框架（二）

scrapy框架（二）

一、scrapy 选择器

概述：

Scrapy提供基于lxml库的解析机制，它们被称为选择器。

因为，它们“选择”由XPath或CSS表达式指定的HTML文档的某部分。

Scarpy选择器的API非常小，且非常简单。

Scrapy选择器是通过scrapy.Selector类，通过传递文本或者TextResonse对象构造的实例。

选择器Selector对象使用

 选择器提供2个方法来提取标签
 ​
 xpath()     # 基于xpath的语法规则
 css()       # 基于css选择器的语法规则
 快捷方式
 selector = response.xpath('')
 selector = response.css('')
 它们返回的是选择器对象的列表
 提取文本：
 selector.extract()      返回文本列表
 selector.extract_first() 返回第一个selector的文本，没有返回None;可以设置default
 ​
 有时候我们获取标签需要多次调用选择方法（.xpath()或.css()）
 response.css('img').xpath('@src')
 ​
 Selector还有一个.re()方法使用正则表达式提取数据的方法。它返回字符串。
 它一般使用在xpath()，css()方法之后，用来过滤文本数据。
 re_first()用来返回第一个匹配的字符串。
 例如：
 response.xpath('//a[contains(@href, "image")]/text()').re(r'Name:\s*(.*)')
 contains()  模糊匹配

二、scrapy shell 调试工具

简介：用来调试Scrapy 项目代码的 命令行工具。

启动 shell

 启动Scrapy shell的命令语法格式如下：
 scrapy shell [option] [url|file]
 ​
 注意：分析本地文件是一定要带上路径，scrapy shell默认当作url

shell 的使用

 Scrapy shell 本质上就是个普通的python shell
 只不过提供了一些需要使用的对象，快捷方法便于我们调试。
 ​
 快捷方法：
 shelp()
 fetch(url[,redirect=True])
 fetch(request)
 view(response)
 scrapy 对象：
 crawler
 spider
 request
 response
 settings
 ​

三、scrapy.Spider

Spider类的属性、方法	描述
name属性	spider的名称
start_urls属性	蜘蛛开始爬取的url列表
customer_settings属性	自定义设置
start_requests()方法	开始前请求
parse(self, response)	默认回调函数
from_crawler	创建spider的类方法