当前位置: 首页 > news >正文

爬取伯乐在线文章(二)通过xpath提取源文件中需要的内容

爬取说明

以单个页面为例,如:http://blog.jobbole.com/110287/

我们可以提取标题、日期、多少个评论、正文内容等

Xpath介绍

1. xpath简介

(1) xpath使用路径表达式在xml和html中进行导航

(2) xpath包含标准函数库

(3) xpath是一个w3c标准

2. Xpath的节点关系

(1) 父节点

(2) 子节点

(3) 同胞节点

(4) 先辈节点

(5) 后代节点

3. Xpath语法

开始爬取

1. 将starts_urls修改为http://blog.jobbole.com/110287/

2. def parse(self, response)方法中的response自带有xpath方法

结果为://*[@id="post-110287"]/div[1]/h1

 在parse方法里面进行解析:

 #业务逻辑
    def parse(self, response):
        title_selector = response.xpath('//*[@id="post-110287"]/div[1]/h1')
        pass

断点查看返回的title_selector的类型是SelectorList,里面存放的是一个selector,为什么不直接返回一个node类型,这是因为我们获取的h1下面可能还有很多层,我们可以进一步的做xpath筛选,直接返回node的话就无法做xpath筛选,所以scrapy做了进一步的封装,可以让我们进一步进行xpath筛选。

我们可以看到data里面的值是一个h1标签,我们可以直接调用一个text()函数获取里面的值,如下

title_selector = response.xpath('//*[@id="post-110287"]/div[1]/h1/text()')

 此时在看data里面值就是我们需要的内容了

调试Xpath

在scarpy里面进行调试是比较慢的,scrapy提供了一种shell模式,可以在里面对某个URL进行调试,如下在cmd里面

(scrapyenv) E:\Python\Envs\EnterpriseSpider>scrapy shell http://blog.jobbole.com/110287/
(scrapyenv) E:\Python\Envs\EnterpriseSpider>scrapy shell http://blog.jobbole.com/110287/
2018-11-05 10:14:15 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: EnterpriseSpider)
2018-11-05 10:14:15 [scrapy.utils.log] INFO: Versions: lxml 4.2.5.0, libxml2 2.9.5, cssselect 1.0.3, parsel 1.5.1, w3lib 1.19.0, Twisted 18.9.0, Python 3.6.6 (v3.6.6:4cf1f54eb7, Jun 27 2018, 03:37:03) [MSC v.1900 64 bit (AMD64)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0i  14 Aug 2018), cryptography 2.3.1, Platform Windows-10-10.0.17134-SP0
2018-11-05 10:14:15 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'EnterpriseSpider', 'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter', 'LOGSTATS_INTERVAL': 0, 'NEWSPIDER_MODULE': 'EnterpriseSpider.spiders', 'SPIDER_MODULES': ['EnterpriseSpider.spiders']}
2018-11-05 10:14:15 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole']
2018-11-05 10:14:15 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2018-11-05 10:14:15 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2018-11-05 10:14:15 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2018-11-05 10:14:15 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2018-11-05 10:14:15 [scrapy.core.engine] INFO: Spider opened
2018-11-05 10:14:15 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://blog.jobbole.com/110287/> (referer: None)
[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x000002C00C180080>
[s]   item       {}
[s]   request    <GET http://blog.jobbole.com/110287/>
[s]   response   <200 http://blog.jobbole.com/110287/>
[s]   settings   <scrapy.settings.Settings object at 0x000002C00E7DD898>
[s]   spider     <JobboleSpider 'jobbole' at 0x2c00ea8b160>
[s] Useful shortcuts:
[s]   fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
[s]   fetch(req)                  Fetch a scrapy.Request and update local objects
[s]   shelp()           Shell help (print this help)
[s]   view(response)    View response in a browser
>>>
View Code

使用如下

获取data里面值可以用Selector的extract方法,返回的是一个数组

在获取数组里面的第一个值就可以获取我们需要的内容

 

相关文章:

  • yum工具介绍及本地源配置方法
  • Vuex的模块化、优点
  • 从零开始一起学习SLAM | 不推公式,如何真正理解对极约束?
  • 程序员通往架构师必须掌握知识点——并发编程的那些事
  • ElasticSearch(五)之elasticsearch基本用法
  • CodeOne 主题演讲:Java,未来已来
  • JAVA入门到精通-第1讲
  • centos7防火墙设置
  • mongodb细讲
  • 在 Java 中初始化 List 的五种方法
  • JS获取浏览器地址栏的多个参数值的任意值实例代码
  • Bootstrap简介
  • Redis基本使用及百亿数据量中的使用技巧分享(附视频地址及观看指南)
  • 大数据开发技术学习路线图(小白自学心路)
  • python 入门
  • 【391天】每日项目总结系列128(2018.03.03)
  • 2017前端实习生面试总结
  • android图片蒙层
  • Asm.js的简单介绍
  • electron原来这么简单----打包你的react、VUE桌面应用程序
  • ES6--对象的扩展
  • JAVA SE 6 GC调优笔记
  • jQuery(一)
  • leetcode386. Lexicographical Numbers
  • Material Design
  • MySQL几个简单SQL的优化
  • MYSQL如何对数据进行自动化升级--以如果某数据表存在并且某字段不存在时则执行更新操作为例...
  • -- 查询加强-- 使用如何where子句进行筛选,% _ like的使用
  • 用jquery写贪吃蛇
  • 【运维趟坑回忆录】vpc迁移 - 吃螃蟹之路
  • 阿里云移动端播放器高级功能介绍
  • ​ssh-keyscan命令--Linux命令应用大词典729个命令解读
  • #HarmonyOS:软件安装window和mac预览Hello World
  • #传输# #传输数据判断#
  • #我与Java虚拟机的故事#连载05:Java虚拟机的修炼之道
  • (02)Cartographer源码无死角解析-(03) 新数据运行与地图保存、加载地图启动仅定位模式
  • (11)MSP430F5529 定时器B
  • (9)YOLO-Pose:使用对象关键点相似性损失增强多人姿态估计的增强版YOLO
  • (利用IDEA+Maven)定制属于自己的jar包
  • (算法二)滑动窗口
  • (学习日记)2024.03.12:UCOSIII第十四节:时基列表
  • (一)ClickHouse 中的 `MaterializedMySQL` 数据库引擎的使用方法、设置、特性和限制。
  • (转)Google的Objective-C编码规范
  • (转)setTimeout 和 setInterval 的区别
  • .babyk勒索病毒解析:恶意更新如何威胁您的数据安全
  • .net core 调用c dll_用C++生成一个简单的DLL文件VS2008
  • .NET NPOI导出Excel详解
  • .NET是什么
  • .set 数据导入matlab,设置变量导入选项 - MATLAB setvaropts - MathWorks 中国
  • @requestBody写与不写的情况
  • [20180312]进程管理其中的SQL Server进程占用内存远远大于SQL server内部统计出来的内存...
  • [C++]运行时,如何确保一个对象是只读的
  • [C++打怪升级]--学习总目录
  • [Flex][问题笔记]TextArea滚动条问题
  • [hive] sql中distinct的用法和注意事项