共計 956 個字符,預計需要花費 3 分鐘才能閱讀完成。
自動寫代碼機器人,免費開通
Scrapy 中怎么利用 Xpath 選擇器從網(wǎng)頁中采集目標數(shù)據(jù),相信很多沒有經(jīng)驗的人對此束手無策,為此本文總結了問題出現(xiàn)的原因和解決方法,通過這篇文章希望你能解決這個問題。
/ 具體實現(xiàn) /
1、針對標題,在上篇文章中就有提及,其 Xpath 表達式有多種,任選其一即可,在 scrapy shell 腳本下進行調試,得到標題的提取方式,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現(xiàn)網(wǎng)頁與源碼之間的交互,如下圖所示。
3、而且標簽“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)頁結構,我們可輕易的寫出發(fā)布日期的 Xpath 表達式,可以在 scrapy shell 中先進行測試,再將選擇器表達式寫入爬蟲文件中,詳情如下圖所示。
這里有部分雜質信息,需要利用 strip() 和 replace() 函數(shù)剔除多余的雜質,還日期一個“清白”。
5、關于文章主題標簽的 Xpath 表達式,可以看到其在網(wǎng)頁結構上處于日期的下方,如下圖所示。
因此可以通過更改一下發(fā)布日期的 Xpath 表達式,即可獲取到文章主題標簽。
6、文章主題標簽處于 a 標簽下,如下圖所示。
獲取到整個列表之后,利用 join 函數(shù)將數(shù)組中的元素以逗號連接生成一個新的字符串叫 tags,然后寫入 Scrapy 爬蟲文件中去。
7、對于點贊數(shù),其分析方法同之前一致,找到唯一的一個標簽“vote-post-up”即可定位到數(shù)據(jù)。
8、細心的小伙伴可能會看到“vote-post-up”屬性并不是 class 標簽中唯一一個屬性,所以一開始的 Xpath 表達式匹配的內(nèi)容為空。
這里給大家安利一個小技巧,如果標簽中存在多個屬性,且屬性是唯一的時候,可以利用 contains 函數(shù)進行助攻,其用法是 //span[contains(@class, vote-post-up),務必要多加練習,否則容易忘記。根據(jù)網(wǎng)頁結構寫出 Xpath 表達式,調試的過程如下圖所示。
取出的點贊數(shù)是個字符串,需要利用 int() 將其強制轉換為數(shù)字。
看完上述內(nèi)容,你們掌握 Scrapy 中怎么利用 Xpath 選擇器從網(wǎng)頁中采集目標數(shù)據(jù)的方法了嗎?如果還想學到更多技能或想了解更多相關內(nèi)容,歡迎關注丸趣 TV 行業(yè)資訊頻道,感謝各位的閱讀!
向 AI 問一下細節(jié)