1. Selectors选择器
在抓取网页时，您需要执行的最常见任务是从HTML源提取数据。有几个库可用于实现此目的，例如：
- BeautifulSoup是Python程序员中非常流行的Web抓取库，它基于HTML代码的结构构造Python对象，并且相当好地处理坏标记，但它有一个缺点：它很慢。
- lxml是一个XML解析库（也可以解析HTML），它使用基于ElementTree的pythonic API 。（lxml不是Python标准库的一部分。）
Scrapy带有自己的提取数据机制。它们被称为选择器，因为它们“选择”由XPath或CSS表达式指定的HTML文档的某些部分。
XPath是一种用于在XML文档中选择节点的语言，也可以与HTML一起使用。CSS是一种将样式应用于HTML文档的语言。它定义选择器以将这些样式与特定HTML元素相关联。
Selector是基于lxml来构建的，支持XPath选择器、CSS选择器以及正则表达式，功能全面，解析速度和准确度非常高。
2. 选择器使用
1.通过response响应对象属性.selector构建选择器实例
response.selector.xpath('//span/text()').get()
使用XPath和CSS查询响应非常常见，响应包括另外两个快捷方式：response.xpath()和response.css()：
>>> response.xpath('//span/text()').get() 'good' >>> response.css('span::text').get() 'good'
2.直接使用Selectors构建
从HTML文本构造
>>> from scrapy.selector import Selector >>> body = '<html><body><span>good</span></body></html>' >>> Selector(text=body).xpath('//span/text()').get() 'good'
从响应构造
>>> from scrapy.selector import Selector >>> from scrapy.http import HtmlResponse >>> response = HtmlResponse(url='http://example.com', body=body) >>> Selector(response=response).xpath('//span/text()').get() 'good'
3. CSS选择器
基础选择器
| 选择器 | 含义 |
| * | 通用元素选择器，匹配页面任何元素（这也就决定了我们很少使用） |
| #id | id选择器，匹配特定id的元素 |
| .class | 类选择器，匹配class包含(不是等于)特定类的元素 |
| element | 标签选择器 根据标签选择元素 |
| [attr] | 属性选择器 根据元素属性去选择 |
组合选择器
| 选择器 | 示例 | 示例说明 | 含义 |
| elementE,elementF | div,p | 选择所有<div>元素和<p>元素 | 多元素选择器，用”,分隔，同时匹配元素E或元素F |
| elementE elementF | div p | 选择<div>元素内的所有<p>元素 | 后代选择器，用空格分隔，匹配E元素所有的后代（不只是子元素、子元素向下递归）元素F |
| elementE>elementF | div>p | 选择所有父级是 <div> 元素的 <p> 元素 | 子元素选择器，用”>”分隔，匹配E元素的所有直接子元素 |
| elementE+elementF | div+p | 选择所有紧接着<div>元素之后的<p>元素 | 直接相邻选择器，匹配E元素之后的相邻的同级元素F |
| elementE~elementF | p~ul | 选择p元素之后的每一个ul元素 | 普通相邻选择器，匹配E元素之后的同级元素F（无论直接相邻与否） |
| .class1.class2 | .user.login | 匹配如<div class="user login">元素 | 匹配类名中既包含class1又包含class2的元素 |
CSS选择器是前端的基础,以上只给了比较重要的内容，具体CSS选择器内容可以去w3school参考
Scrapy中CSS选择器的拓展
根据W3C标准，CSS选择器不支持选择文本节点或属性值。但是在Web抓取环境中选择这些是非常重要的，Scrapy（parsel）实现了一些非标准的伪元素
- 要选择文本节点，使用
::text - 选择属性值，用
::attr(name) name是指你想要的价值属性的名称
#没有用::text，对selectors对象使用get方法后，返回的是匹配的html元素 >>> response.css('title').get() <title>Example website</title> #使用::text就是返回标签内的文本 >>> response.css('title::text').get() 'Example website' #<a href='image1.html'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a> 使用a::attr(href)可以提取属性 >>>response.css('a::attr(href)').get() 'image1.html'
4. XPath
XPath，全称 XML Path Language，即 XML 路径语言，它是一门在XML文档中查找信息的语言。XPath 最初设计是用来搜寻XML文档的，但是它同样适用于 HTML 文档的搜索。
1.XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。 下面列出了最有用的路径表达式
| 表达式 | 描述 |
|---|---|
| nodename | 选取此节点的所有子节点。 |
| / | 从根节点选取。 |
| // | 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 |
| . | 选取当前节点。 |
| .. | 选取当前节点的父节点。 |
| @ | 选取属性。 |
举例如下
| 路径表达式 | 结果 |
|---|---|
| bookstore | 选取 bookstore 元素的所有子节点。 |
| /bookstore |
选取根元素 bookstore。 注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！ |
| bookstore/book | 选取属于 bookstore 的子元素的所有 book 元素。 |
| //book | 选取所有 book 子元素，而不管它们在文档中的位置。 |
| bookstore//book | 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。 |
| //@lang | 选取名为 lang 的所有属性。 |
2.谓语用来查找某个特定的节点或者包含某个指定的值的节点。谓语被嵌在方括号中。
| 路径表达式 | 结果 |
|---|---|
| /bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
| /bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
| /bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
| /bookstore/book[position()<3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
| //title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
| //title[@lang='eng'] | 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。 |
| /bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。 |
| /bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。 |
3.选取未知节点
| 通配符 | 描述 |
|---|---|
| * | 匹配任何元素节点。 |
| @* | 匹配任何属性节点。 |
| node() | 匹配任何类型的节点。 |
实例如下:
| 路径表达式 | 结果 |
|---|---|
| /bookstore/* | 选取 bookstore 元素的所有子元素。 |
| //* | 选取文档中的所有元素。 |
| //title[@*] | 选取所有带有属性的 title 元素。 |
同样scrapy也给XPath拓展了方法，使用.//text()可以选择文本
摘自https://www.w3school.com.cn/xpath/xpath_syntax.asp
5. .xpath()和.css()方法
css(query)
应用给定的CSS选择器并返回一个SelectorList实例。（SelectorList实例可以理解为Selector组成的list）
query 是一个包含要应用的CSS选择器的字符串。
在后台，CSS查询使用cssselect库和run .xpath()方法转换为XPath查询 。
>>> response.css("link") [<Selector xpath='descendant-or-self::link' data='<link rel="alternate" type="text/html" h'>, <Selector xpath='descendant-or-self::link' data='<link rel="next" type="application/atom+'>, ...
xpath(query, namespaces=None, **kwargs)
查找与xpath匹配的节点query，并将结果作为SelectorList实例返回， 并将所有元素展平。List元素也实现了Selector接口。
query 是一个包含要应用的XPATH查询的字符串。
namespaces是一个可选的映射（dict），用于注册的人的附加前缀。相反，这些前缀不会保存以供将来调用。
>>> response.xpath("//link") [<Selector xpath='//link' data='<link rel="alternate" type="text/html" h'>, <Selector xpath='//link' data='<link rel="next" type="application/atom+'>, ...
串联查询
由于css()与xpath()方法返回SelectorList实例，并且SelectorList实例也有与Selector对象相同的方法(SelectorList实例的方法可以理解为list中所有Selector遍历执行)，所以可以在返回结果上继续查询
response.css(".quote").css("small") #这个就是先查找出所有class=quote的元素，然后在这些元素中查找small标签元素
6. .get()与.getall()
get()
以unicode字符串返回第一个真实的数据，没有css xpath拓展方法（::text ::attr //text()），就返回匹配的html元素数据
getall()
以unicode字符串list返回所有数据，其它同get()一样
默认返回值
如果没有匹配到元素则返回None，但是可以提供默认返回值作为参数，以代替None
>>> response.xpath('//div[@id="not-exists"]/text()').get(default='not-found') 'not-found'
.get() .getall()与extract() extract_first()
SelectorList.get()与SelectorList.extract_first()实际是一样的，同理SelectorList.getall()与SelectorList.extract()相同
7. Selector其他属性方法
.attrib
返回底层元素的属性字典
>>> response.css('img').attrib['src'] 'image1_thumb.jpg'
re(regex，replace_entities = True )
Selector还有一种.re()使用正则表达式提取数据的方法。但是，与 .xpath()或 .css()不同，.re()返回unicode字符串列表。所以你不能构造嵌套的.re()调用。
>>> response.xpath('//a[contains(@href, "image")]/text()').re(r'Name:s*(.*)') ['My image 1', 'My image 2', 'My image 3', 'My image 4', 'My image 5']