Python学习八十一天：爬虫Scrapy框架之css选择器使用
css选择器介绍
- 在css中选择器是一种模式，用于选择需要添加样式的元素，css对html页面中的元素实现一对一，一对多或者多对一的控制，都需要用到css选择器，html页面中的元素就是通过css选择器进行控制的；
css选择器的基本语法
-
类选择器：元素的class属性，比如
class="box"表示选取class为box的元素； -
ID选择器：元素的id属性，比如
id="box"表示选取id为box的元素； -
元素选择器：直接选择文档元素，比如p表示选择所有的p元素，div表示选择所有的div元素；
-
属性选择器：选择具有某个属性的元素，如
*[title]表示选择所有包含title属性的元素、a[href]表示选择所有带有href属性的a元素等； -
后代选择器：选择包含元素后代的元素，如
li a表示选取所有li 下所有a元素； -
子元素选择器：选择作为某元素子元素的元素，如
h1 > strong表示选择父元素为h1 的所有 strong 元素； -
相邻兄弟选择器：选择紧接在另一元素后的元素，且二者有相同父元素，如h1 + p表示选择紧接在 h1 元素之后的所有p元素；
scrapy 中的css使用方法
以a元素来举例说明
-
response.css('a')：返回的是selector对象； -
response.css('a').extract()：返回的是a标签对象； -
response.css('a::text').extract_first()：返回的是第一个a标签中文本的值； -
response.css('a::attr(href)').extract_first()：返回的是第一个a标签中href属性的值； -
response.css('a[href*=image]::attr(href)').extract()：返回所有a标签中href属性包含image的值； -
response.css('a[href*=image] img::attr(src)').extract()：返回所有a标签下image标签的src属性；
| 表达式书写方式 | 表达式意义 |
|---|---|
| #box | 选取id为box的元素 |
| .box | 选取class为box的元素 |
| p | 选择所有 p 元素 |
| div img | 选取div下的img元素 |
| div,img | 选择所有 div 元素和所有 img 元素 |
| div#box | 选取 id为box的div元素 |
| div>p | 选择父元素为 div 元素的所有 p 元素 |
| [title~=flower] | 选择 title 属性包含单词 "flower" 的所有元素 |
| a[href="/page/2"] | 选取href属性为/page/2的a元素 |
| a[href^="/page"] | 选取href属性以/page开头的a元素 |
| a[href$=".png"] | 选取href属性以png结尾的a元素 |
- 上一节中我们使用XPATH选择器获取了csdn中今日推荐的标题，现在我们用CSS选择器来试着获取一下
# -*- coding: utf-8 -*-
import scrapy
class CsdnSpider(scrapy.Spider):
name = 'csdn'
allowed_domains = ['www.csdn.net']
start_urls = ['http://www.csdn.net/']
def parse(self, response):
result = response.css('.company_list .company_name a::text').extract()
for i in result:
print(i)
- 我们来看一下代码的运行结果，看是否能获取到我们想要的信息；
获取元素的跳转链接和图片地址
- 首先可以使用css选择器提取元素的跳转链接和图片的src地址，这里需要用到urllib库中的
parse.urljoin()方法，用它来拼接获取到的元素中的路径，使之变为绝对路径；
urljoin(baes，url[,allow_frafments])，其中参数base作为基地址，与第二个参数为相对路径的url相结合，组成一个绝对URl地址，其中参数allow_fragments可根据自己的需求设置；
import scrapy
from urllib import parse
class DribbbleSpider(scrapy.Spider):
name = 'dribbble'
allowed_domains = ['dribbble.com']
start_urls = ['http://dribbble.com/']
def parse(self, response):
a_href = response.css('.dribbble-shot .dribbble-over::attr(href)').extract_first("")
href = parse.urljoin(response.url, a_href)
print(a_href)
print(href)
import scrapy
from urllib import parse
class DribbbleSpider(scrapy.Spider):
name = 'dribbble'
allowed_domains = ['dribbble.com']
start_urls = ['http://dribbble.com/']
def parse(self, response):
image_src = response.css('img.enrique-image::attr(src)').extract_first("")
src = parse.urljoin(response.url, image_src)
print(image_src)
print(src)
- 下载且保存图片到本地
import scrapy
from urllib import parse
import requests
class DribbbleSpider(scrapy.Spider):
name = 'dribbble'
allowed_domains = ['dribbble.com']
start_urls = ['http://dribbble.com/']
def parse(self, response):
image_src = response.css('img.enrique-image::attr(src)').extract_first("")
src = parse.urljoin(response.url, image_src)
ret = requests.get(src, stream=True)
with open('./1.png', 'wb') as f:
for block in ret.iter_content(chunk_size=1024):
f.write(block)
如何快速获取页面中的元素
-
获取xpath选择器的元素：选择标签->鼠标右键->copy->Copy XPath；
-
获取css选择器的元素：可以使用第三方插件Chrome的开发者调试工具获取，需要下载CSS Select插件->然后直接选择标签元素；
