在Scrapy中怎么利用Xpath選擇器從網(wǎng)頁中采集目標(biāo)數(shù)據(jù)

這篇文章主要介紹在Scrapy中怎么利用Xpath選擇器從網(wǎng)頁中采集目標(biāo)數(shù)據(jù)，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

/具體實(shí)現(xiàn)/

1、針對(duì)標(biāo)題，在上篇文章中就有提及，其Xpath表達(dá)式有多種，任選其一即可，在scrapy shell腳本下進(jìn)行調(diào)試，得到標(biāo)題的提取方式，并寫入到爬蟲主體文件中。

2、接下來是發(fā)布日期的提取，仍然是以交互式的方式實(shí)現(xiàn)網(wǎng)頁與源碼之間的交互，如下圖所示。

3、而且標(biāo)簽“entry-meta-hide-on-mobile”具有全局唯一性，可以很方便的定位到元素。

4、根據(jù)網(wǎng)頁結(jié)構(gòu)，我們可輕易的寫出發(fā)布日期的Xpath表達(dá)式，可以在scrapy shell中先進(jìn)行測(cè)試，再將選擇器表達(dá)式寫入爬蟲文件中，詳情如下圖所示。

這里有部分雜質(zhì)信息，需要利用strip()和replace()函數(shù)剔除多余的雜質(zhì)，還日期一個(gè)“清白”。

5、關(guān)于文章主題標(biāo)簽的Xpath表達(dá)式，可以看到其在網(wǎng)頁結(jié)構(gòu)上處于日期的下方，如下圖所示。

因此可以通過更改一下發(fā)布日期的Xpath表達(dá)式，即可獲取到文章主題標(biāo)簽。

6、文章主題標(biāo)簽處于a標(biāo)簽下，如下圖所示。

獲取到整個(gè)列表之后，利用join函數(shù)將數(shù)組中的元素以逗號(hào)連接生成一個(gè)新的字符串叫tags，然后寫入Scrapy爬蟲文件中去。

7、對(duì)于點(diǎn)贊數(shù)，其分析方法同之前一致，找到唯一的一個(gè)標(biāo)簽“vote-post-up”即可定位到數(shù)據(jù)。

8、細(xì)心的小伙伴可能會(huì)看到“vote-post-up”屬性并不是class標(biāo)簽中唯一一個(gè)屬性，所以一開始的Xpath表達(dá)式匹配的內(nèi)容為空。

這里給大家安利一個(gè)小技巧，如果標(biāo)簽中存在多個(gè)屬性，且屬性是唯一的時(shí)候，可以利用contains函數(shù)進(jìn)行助攻，其用法是'//span[contains(@class,"vote-post-up")，務(wù)必要多加練習(xí)，否則容易忘記。根據(jù)網(wǎng)頁結(jié)構(gòu)寫出Xpath表達(dá)式，調(diào)試的過程如下圖所示。

取出的點(diǎn)贊數(shù)是個(gè)字符串，需要利用int()將其強(qiáng)制轉(zhuǎn)換為數(shù)字。

/具體實(shí)現(xiàn)/

9、根據(jù)點(diǎn)贊數(shù)采集的方法，我們可以很快的定位到收藏?cái)?shù)，其對(duì)應(yīng)的網(wǎng)頁結(jié)構(gòu)稍微有些不同，但是分析方法是一致的，不再贅述，如下圖所示。

10、這里直接給出調(diào)試的代碼，如下圖所示。

11、不過我們需要的是其中的數(shù)字，這時(shí)候就可以利用正則表達(dá)式進(jìn)行匹配，關(guān)于正則表達(dá)式的文章，之前有過連載，不熟悉正則表達(dá)式的小伙伴可以翻看歷史文章，有詳細(xì)說明的。在Pycharm中進(jìn)行調(diào)試，代碼也很簡(jiǎn)單，如下圖所示。

爾后將該代碼放入到爬蟲主體文件中即可，記得將“15 收藏”這部分替換成collection_num即可。

12、評(píng)論數(shù)相對(duì)簡(jiǎn)單一些，其有專門的一個(gè)標(biāo)簽，如下圖所示。

13、需要注意的是評(píng)論數(shù)這里的標(biāo)簽不是class，而是href，需要和網(wǎng)頁上對(duì)應(yīng)，否則取出的值為空列表。

14、同收藏?cái)?shù)一樣，仍然要以正則表達(dá)式的形式去匹配數(shù)字，可以直接復(fù)制收藏?cái)?shù)的代碼，然后將收藏?cái)?shù)collection_num改為評(píng)論數(shù)的comment_num即可。

15、關(guān)于正文的提取，不同的網(wǎng)頁有不同的結(jié)構(gòu)，而且相對(duì)復(fù)雜，這里不做細(xì)究，整體目標(biāo)是將網(wǎng)頁內(nèi)容和標(biāo)簽均提取出來。分析網(wǎng)頁結(jié)構(gòu)，發(fā)現(xiàn)正文內(nèi)容在“entry”標(biāo)簽下，如下圖所示。

\

16、之后在scrapyshell調(diào)試，可以得到內(nèi)容的Xpath表達(dá)式，如下圖所示。

17、到這里，該網(wǎng)頁中的信息提取的差不多了，結(jié)合上面的分析和Xpath表達(dá)式，我們得到的整體代碼如下圖所示。

18、爾后進(jìn)行Debug調(diào)試，查看代碼中獲取的內(nèi)容，如下圖所示，十分清晰。

19、下圖是控制臺(tái)部分顯示出的變量結(jié)果，與代碼中顯示的內(nèi)容和網(wǎng)頁上的信息都是保持一致的。

至此，關(guān)于Xpath表達(dá)式的具體應(yīng)用教程先告一段落?？傮w來看，我們需要利用F12快捷鍵來審查網(wǎng)頁元素，爾后分析網(wǎng)頁結(jié)構(gòu)并進(jìn)行交互，然后根據(jù)網(wǎng)頁結(jié)構(gòu)寫出Xpath表達(dá)式，習(xí)慣性的結(jié)合scrapy shell進(jìn)行調(diào)試，得到調(diào)優(yōu)的表達(dá)式，寫入爬蟲文件中去，最后執(zhí)行爬蟲程序或者Debug調(diào)試查看最終的數(shù)據(jù)采集結(jié)果。

以上是“在Scrapy中怎么利用Xpath選擇器從網(wǎng)頁中采集目標(biāo)數(shù)據(jù)”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！