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；

• 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；