眾所周知，在設計爬蟲時，最麻煩的一步就是對網頁元素進行分析，目前流行的網頁元素獲取的工具有BeautifulSoup，lxml等，而據我使用的體驗而言，Scrapy的元素選擇器Xpath（結合正則表達式）是其中較為出色的一種（個人認為最好啦，當然只能在Scrapy中使用）功能相對較全、使用較為方便，正因為它的豐富性，有時很多功能會忘記，所以在這里整理好記錄下來，方便今后查閱使用。

1. 元素的多級定位與跳級定位

多級定位：依靠html中的多級元素逐步縮小范圍

response.xpath('//table/tbody/tr/td')

//如果知道元素所屬的下標可以用下標選擇
response.xpath('//table/tbody/tr[1]/td')

跳級定位：符號“//”表示跳級定位，即對當前元素的所有層數的子元素（不僅是第一層子元素）進行查找，一般xpath的開頭都是跳級定位

response.xpath('//span//table')

2. 依靠元素的屬性定位

每個html元素都有很多屬性，如id、class、title、href、text(href和text往往可以配合正則表達式）等，這些屬性往往具有很強的特殊性，結合元素多級定位或跳級定位會更準確高效，下面舉幾個典型的例子，其他的舉一反三

利用class定位

response.xpath('//td[@class="mc_content"]')

利用href配合正則表達式定位

response.xpath('//a[re:test(@href,"^\/index\.php\&;m=Newsa=detailsid=1NewsId=\d{1,4}")]')

利用text結合正則表達式定位

a=response.xpath('//a[re:test(text(),"\w{4}")]')

此外，xpath還有對于html元素操作的兩個實用的函數（可以用正則表達式代替）——starts-with和contains；

a=response.xpath('//a[starts-with(@title,"注冊時間")]')

a=response.xpath('//a[contains(text(),"聞")]')

3. 提取元素或元素的屬性值

首先是最基本的extract()函數，提取被定為的元素對象

a=response.xpath('//a[contains(text(),"聞")]').extract()

//如果被定為的元素對象有多個，可以有用下標指定
a=response.xpath('//a[contains(text(),"聞")]').extract()[1]

提取元素的屬性

//提取text
a=response.xpath('//a[contains(text(),"聞")]/text()').extract()

//獲取href
a=response.xpath('//a[contains(text(),"聞")]/@href').extract()

//獲取name
a=response.xpath('//a[contains(text(),"聞")]/@name').extract()

此時我們的正則表達式又閑不住了（scrapy自帶的函數），可以對提取的元素進行選擇

//對href中的部分字符串進行選擇
response.xpath('//a[@name="_l_p_n"]/@href').re('\/s.*?list\.htm')

在這里關于xpath的所有用法基本總結完畢，只是由于xpath是對靜態元素進行匹配選擇，對于javascript往往束手無策，這時不得不用一個自動化測試工具——selenium，可以實現各種動態事件和靜態元素的選擇，只是selenium往往比較吃內存，響應時間也比較慢，對于大型的爬蟲任務盡量不要使用，畢竟有一些javascript元素是內嵌在網頁代碼中的，這時候結合萬能的正則表達式，xpath往往能夠實現。如下：

link = re.search("javascript:goToPage\('(.*?)'", value) //value為包含該段的字符串

到此這篇關于Scrapy元素選擇器Xpath用法匯總的文章就介紹到這了,更多相關Scrapy元素選擇器Xpath 內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！