Python学习八十三天：页面元素解析

1.解析字段信息

• 我们知道蜘蛛运行时会下载要爬取的页面，然后传给给start_urls，页面的返回对象response响应体就会封装到parse方法response对象里面，然后通过response对象css选择器定位元素，返回一个selector对象，通过extract()方法来提取selector对象中标签的信息。

• 那现在我们使用dribbble网站来试着解析字段信息，创建一个dribbble蜘蛛，就和之前创建csdn一样，然后将测试页面中的execute()方法中的参数改为需要测试的蜘蛛页面中的name属性值。

import scrapy
from urllib import parse
from scrapy.http import Request
class DribbbleSpider(scrapy.Spider):
    name = 'dribbble'
    allowed_domains = ['dribbble.com']
    start_urls = ['https://dribbble.com/stories']
    def parse(self, response):
        # 获取a标签的url值
        # urls = response.css('h2 a::attr(href)').extract()
        a_nodes = response.css('header div.teaser a')
        for a_node in a_nodes:
            # print(a_node)
            a_url = a_node.css('::attr(href)').extract()[0]
            a_image_url = a_node.css('img::attr(src)').extract()[0]
            yield Request(url=parse.urljoin(response.url, a_url), callback=self.parse_analyse, meta={'a_image_url': a_image_url})
    def parse_analyse(self, response):
        a_image_url = response.meta.get('a_image_url')
        title = response.css('.post header h1::text').extract()[0]
        date = response.css('span.date::text').extract_first()
        print('图片的url是：{}'.format(a_image_url))
        print('标题是: {}'.format(title))
        print('时间是：{}'.format(date.strip()))

2.构建数据模型

• 我们在创建模板时会自动生成一些文件，items.py文件就是其中一个，我们构建数据模型就需要用到这个文件，这个文件会自动生成一个modle，这个modle会继承scrapy.Item，然后我们可以根据我们的需求在自动生成的这个modle中随意创建字段；

import scrapy
class XkdDribbbleSpiderItem(scrapy.Item):
    title = scrapy.Field()
    a_image_url = scrapy.Field()
    date = scrapy.Field()

• 创建好字段之后，需要在spider中添加构建模型，最后让构建模型中的字段和之前modle中的字段名一致，防止赋值出错；
  在spider中添加构建模型首先需要实例化items.py文件中的modle，然后通过实例化对象添加字段到modle中，最后将数据模型进行落地，让数据持久化。把实例化对象返回到pipelines.py中；

import scrapy
from urllib import parse
from scrapy.http import Request
from ..items import XkdDribbbleSpiderItem
from datetime import datetime
class DribbbleSpider(scrapy.Spider):
    name = 'dribbble'
    allowed_domains = ['dribbble.com']
    start_urls = ['https://dribbble.com/stories']
    def parse(self, response):
        # 获取a标签的url值
        # urls = response.css('h2 a::attr(href)').extract()
        a_nodes = response.css('header div.teaser a')
        for a_node in a_nodes:
            # print(a_node)
            a_url = a_node.css('::attr(href)').extract()[0]
            a_image_url = a_node.css('img::attr(src)').extract()[0]
            yield Request(url=parse.urljoin(response.url, a_url), callback=self.parse_analyse, meta={'a_image_url': a_image_url})
    def parse_analyse(self, response):
        a_image_url = response.meta.get('a_image_url')
        title = response.css('.post header h1::text').extract()[0]
        date = response.css('span.date::text').extract_first()
        date = date.strip()
        date = datetime.strptime(date, '%b %d, %Y').date()
        # 构建模型
        dri_item = XkdDribbbleSpiderItem()
        dri_item['a_image_url'] = a_image_url
        dri_item['title'] = title
        dri_item['date'] = date
        yield dri_item

参考：https://www.9xkd.com/user/plan-view.html?id=4097329051