网页数据的解析提取——parsel（XPath、CSS）

大家好，欢迎来到IT知识分享网。

　　对于爬虫爬取到的网页信息，如何从其中获取我们需要的信息是一个非常重要的部分。而使用正则表达式则会显得非常麻烦，而且容易出错，幸好，python提供了很多解析库，例如lxml、beautifulsoup、pyquery、parsel等等，我们可以从中选取一种或几种来使用。

注意，使用解析库并不能直接获取我们需要的信息，解析库只能对网页信息进行解析，然后再依靠选择器来定位html节点。选择器一般来使用XPath或者CSS

本文主要介绍parsel解析库，以及一部分简单的Xpath和CSS。

详细的XPath和CSS选择器请见以下两篇文章：

XPath：https://www.cnblogs.com/zhuohua/articles/16363015.html

 CSS选择器：https://www.cnblogs.com/zhuohua/articles/16363017.html

parsel库的使用

　　1、介绍

　　　　parsel库可以解析HTML和XML，并支持XPath和CSS选择器，同时还融合了正则表达式的提取功能。非常灵活且强大。

　　2、初始化

　　　　一般来说，使用parsel库中的Selector类来声明一个对象，该类传入一个文档内容作为参数，返回经过解析后的selector对象，该对象可以使用XPath和CSS进行内容提取。

import requests
from parsel import Selector

html = requests.get('https://ssr1.scrape.center').text
# 创建一个Selector对象，向其中传入html文档
selector = Selector(text=html)

　　3、XPath和CSS选择

# 使用xpath items2 = selector.xpath('//a[contains(@class, "name")]') print(len(items), type(items), items, sep=' | ')
# 使用css选择器
items = selector.css('.name')
print(len(items), type(items), items, sep=' | ')

　　上述第一句代码，对selector对象调用XPath方法，‘//a[contains(@class, “name”)]‘表示获取对象中类型class=name的 a 标签，该方法返回一个列表，列表的对象名为SelectorList，该列表的元素就是selector对象，由一个一个selector对象组成，一个selector对象就代表获取到的一个符合XPath的标签。并且，也可以继续调用Xpath方法对selector对象进行选择。

　　下面的代码就是一个selector对象。

<Selector xpath="descendant-or-self::*[@class and contains(concat(' ', normalize-space(@class), ' '), ' name ')]" data='<a data-v-7f856186="" href="/detail/1...'>

　　　　对于CSS选择器，其实其底层是依靠XPath实现的，就是将CSS选择器先转化为XPath，再进行节点提取，这没啥好说的。

　　4、提取文本

　　对于selectorList对象，可以用get()方法将其中的第一个selector转换为字符串（如果只有一个selector对象，就不存在第一个这种说法）。如果要将其中所有selector对象都转换为字符串，则需要用getall()方法。注意：返回的字符串不一定是文本，也可以是一个标签！这取决于selector对象是什么样的。

　　因为我们获取的对象中类型class=name的 a 标签得到的结果是一个列表，因此，我们选对列表进行遍历，遍历将得到一个selector对象，对selector对象再调用css选择‘.m-b-sm *::text‘，这会选择其中所有的class=”m-b-sm”  的标签的文本（即上图的“”霸王别姬 – Farewell My Concubine“”），并且返回的也是一个SelectorList对象（该SelectorList对象的selector对象是由纯文本转换的）然后在对这个SelectorList对象调用get()方法，将其中第一个selector对象转换为字符串并返回，因为我们css选择的时候就是选中的文本内容，所以返回的字符串也是文本。（如果只有一个selector对象，就不存在第一个这种说法）

for item in items2:
    text = item.css('.m-b-sm *::text').get()
    print(text)

　　5、提取属性

　　对于属性，同文本也是类似的，在Xpath或CSS选择器里表示要提取的属性即可返回包含selector对象（该对象有属性转换而成）的SelectorList对象，即便只有一个selector对象，返回的也是SelectorList对象。

　　然后调用get()或getall()方法，将selector对象转换为字符串即可。

最后附上完整代码，可以运行分析理解一下

import requests
from parsel import Selector

html = requests.get('https://ssr1.scrape.center').text
# 创建一个Selector对象，向其中传入html文档
selector = Selector(text=html)
print(type(selector),end='\n')
# 使用css选择器
items = selector.css('.name')
print(len(items), type(items[0]), items, sep=' | ')
# 使用xpath
items2 = selector.xpath('//a[contains(@class, "name")]')
print(len(items), type(items), items, sep=' | ')
print('-'*100)
print(items2.get())
print('-'*100)
for item in items2:
    text = item.css('.m-b-sm *::text')
    print(text)
    print(text.get())