众所周知，在设计爬虫时，最麻烦的一步就是对网页元素进行分析，目前流行的网页元素获取的工具有beautifulsoup，lxml等，而据我使用的体验而言，scrapy的元素选择器xpath（结合正则表达式）是其中较为出色的一种（个人认为最好啦，当然只能在scrapy中使用）功能相对较全、使用较为方便，正因为它的丰富性，有时很多功能会忘记，所以在这里整理好记录下来，方便今后查阅使用。
1. 元素的多级定位与跳级定位
多级定位：依靠html中的多级元素逐步缩小范围
|
1
2
3
4
|
response.xpath('//table/tbody/tr/td')//如果知道元素所属的下标可以用下标选择response.xpath('//table/tbody/tr[1]/td') |
跳级定位：符号“//”表示跳级定位，即对当前元素的所有层数的子元素（不仅是第一层子元素）进行查找，一般xpath的开头都是跳级定位
|
1
|
response.xpath('//span//table') |
2. 依靠元素的属性定位
每个html元素都有很多属性，如id、class、title、href、text(href和text往往可以配合正则表达式）等，这些属性往往具有很强的特殊性，结合元素多级定位或跳级定位会更准确高效，下面举几个典型的例子，其他的举一反三
利用class定位
|
1
|
response.xpath('//td[@class="mc_content"]') |
利用href配合正则表达式定位
|
1
|
response.xpath('//a[re:test(@href,"^\/index\.php\?m=news&a=details&id=1&newsid=\d{1,4}")]') |
利用text结合正则表达式定位
|
1
|
a=response.xpath('//a[re:test(text(),"\w{4}")]') |
此外，xpath还有对于html元素操作的两个实用的函数（可以用正则表达式代替）——starts-with和contains；
|
1
2
3
|
a=response.xpath('//a[starts-with(@title,"注册时间")]')a=response.xpath('//a[contains(text(),"闻")]') |
3. 提取元素或元素的属性值
首先是最基本的extract()函数，提取被定为的元素对象
|
1
2
3
4
|
a=response.xpath('//a[contains(text(),"闻")]').extract()//如果被定为的元素对象有多个，可以有用下标指定a=response.xpath('//a[contains(text(),"闻")]').extract()[1] |
提取元素的属性
|
1
2
3
4
5
6
7
8
|
//提取texta=response.xpath('//a[contains(text(),"闻")]/text()').extract()//获取hrefa=response.xpath('//a[contains(text(),"闻")]/@href').extract()//获取namea=response.xpath('//a[contains(text(),"闻")]/@name').extract() |
此时我们的正则表达式又闲不住了（scrapy自带的函数），可以对提取的元素进行选择
|
1
2
|
//对href中的部分字符串进行选择response.xpath('//a[@name="_l_p_n"]/@href').re('\/s.*?list\.htm') |
在这里关于xpath的所有用法基本总结完毕，只是由于xpath是对静态元素进行匹配选择，对于javascript往往束手无策，这时不得不用一个自动化测试工具——selenium，可以实现各种动态事件和静态元素的选择，只是selenium往往比较吃内存，响应时间也比较慢，对于大型的爬虫任务尽量不要使用，毕竟有一些javascript元素是内嵌在网页代码中的，这时候结合万能的正则表达式，xpath往往能够实现。如下：
|
1
|
link = re.search("javascript:gotopage\('(.*?)'", value) //value为包含该段的字符串 |
到此这篇关于scrapy元素选择器xpath用法汇总的文章就介绍到这了,更多相关scrapy元素选择器xpath 内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/manongpengzai/article/details/77109600
