Scrapy 如何正确配置、验证xpath？

2021-09-09 23:17:26

前言

xpath难点

在使用scrapy做爬取网页的时候，规则的匹配是关键。如：sel.xpath(‘//ul[@id=”dirlist”]/li/dl/dt’)的正确配置。
如何进行xpath的正确配置呢？ Scrapy shell交互终端是一个可供较快调试、验证配置结果的好工具。

1、Scrapy Shell介绍

Scrapy终端是一个交互终端，供您在未启动spider的情况下尝试及调试您的爬取代码。
其本意是用来测试提取数据的代码，不过您可以将其作为正常的Python终端，在上面测试任何的Python代码。
该终端是用来测试XPath或CSS表达式，查看他们的工作方式及从爬取的网页中提取的数据。在编写您的spider时，该终端提供了交互性测试您的表达式代码的功能，免去了每次修改后运行spider的麻烦。
一旦熟悉了Scrapy终端后，您会发现其在开发和调试spider时发挥的巨大作用。

2、Scrapy Shell安装

如果您安装了 IPython ，Scrapy终端将使用 IPython (替代标准Python终端)。 IPython 终端与其他相比更为强大，提供智能的自动补全，高亮输出，及其他特性。强烈推荐您安装 IPython ，特别是如果您使用Unix系统(IPython 在Unix下工作的很好)。

安装参考：

http://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/shell.html

IPython安装:

pip install ipython (前提python已安装)

3、启动终端 scrapy shell

使用命令格式：scrapy shell 待爬取的链接URL
举例如下：

[root@yang testing]# scrapy shell http://www.11467.com/tianjin/dir/a05-p4.htm
2016-10-13 14:10:27 [scrapy] INFO: Scrapy 1.1.2 started (bot: scrapybot)
2016-10-13 14:10:27 [scrapy] INFO: Overridden settings: {'LOGSTATS_INTERVAL': 0, 'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter'}
2016-10-13 14:10:27 [py.warnings] WARNING: :0: UserWarning: You do not have a working installation of the service_identity module: 'No module named pyasn1_modules.rfc2459'. P.

2016-10-13 14:10:27 [scrapy] INFO: Enabled extensions:
['scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.corestats.CoreStats']
2016-10-13 14:10:27 [scrapy] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.chunked.ChunkedTransferMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2016-10-13 14:10:27 [scrapy] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2016-10-13 14:10:27 [scrapy] INFO: Enabled item pipelines:
[]
2016-10-13 14:10:27 [scrapy] DEBUG: Telnet console listening on 127.0.0.1:6031
2016-10-13 14:10:27 [scrapy] INFO: Spider opened
2016-10-13 14:10:27 [scrapy] DEBUG: Crawled (200) <GET http://www.11467.com/tianjin/dir/a05-p4.htm> (referer: None)
2016-10-13 14:10:28 [traitlets] DEBUG: Using default logger
2016-10-13 14:10:28 [traitlets] DEBUG: Using default logger
[s] Available Scrapy objects:
[s] crawler <scrapy.crawler.Crawler object at 0x2e8d9d0>
[s] item {}
[s] request <GET http://www.11467.com/tianjin/dir/a05-p4.htm>
[s] response <200 http://www.11467.com/tianjin/dir/a05-p4.htm>
[s] settings <scrapy.settings.Settings object at 0x2e8d950>
[s] spider <DefaultSpider 'default' at 0x331ed90>
[s] Useful shortcuts:
[s] shelp() Shell help (print this help)
[s] fetch(req_or_url) Fetch request (or URL) and update local objects
[s] view(response) View response in a browser
In [1]:

//验证xpath的正确性，若正确会有如下的输出；否则，则不会有输出。

In [1]: sel.xpath('//ul[@id="dirlist"]/li/dl/dt/h4/a/text()')
2016-10-13 14:12:46 [py.warnings] WARNING: shell:1: ScrapyDeprecationWarning: "sel" shortcut is deprecated. Use "response.xpath()", "response.css()" or "response.selector" instead

Out[1]:
[<Selector xpath='//ul[@id="dirlist"]/li/dl/dt/h4/a/text()' data=u'\u5929\u6d25\u5e02\u4e1c\u4e3d\u533a\u755c\u7267\u6c34\u4ea7\u5c40\u755c\u79bd\u826f\u79cd\u573a'>,
 <Selector xpath='//ul[@id="dirlist"]/li/dl/dt/h4/a/text()' data=u'\u5929\u6d25\u5e02\u4e1c\u4e3d\u533a\u4e61\u9547\u755c\u7267\u517d\u533b\u7ba1\u7406\u7ad9'>,
 <Selector xpath='//ul[@id="dirlist"]/li/dl/dt/h4/a/text()' data=u'\u5929\u6d25\u5e02\u4e1c\u4e3d\u533a\u8352\u8349\u5768\u4e61\u517d\u533b\u7ad9'>,
 <Selector xpath='//ul[@id="dirlist"]/li/dl/dt/h4/a/text()' data=u'\u5929\u6d25\u5e02\u4e1c\u4e3d\u533a\u4e48\u516d\u6865\u56de\u65cf\u4e61\u519c\u4e1a\u516c\u53f8\u66d9\u5149\u79cd\u7f8a\u573a'>,
 <Selector xpath='//ul[@id="dirlist"]/li/dl/dt/h4/a/text()' data=u'\u5929\u6d25\u5e02\u5927\u6e2f\u533a\u755c\u79bd\u826f\u79cd\u573a'>,
 <Selector xpath='//ul[@id="dirlist"]/li/dl/dt/h4/a/text()' data=u'\u5929\u6d25\u5e02\u5927\u6e2f\u533a\u519c\u6797\u755c\u7267\u5c40\u755c\u7267\u517d\u533b\u7ad9\uff08\u5929\u6d25\u5e02\u5927\u6e2f\u533a\u52a8\u7269\u68c0\u75ab\u7ad9\uff09'>,

4.Xpath地址获取方式

sel.xpath(‘//ul[@id=”dirlist”]/li/dl/dt/h4/a/text()’)解析:
如下图所示：
//ul[@id=”dirlist”] ：覆盖整个左侧区域；
/li/dl/dt/h4/a/text(): 定位到具体的公司名称。

5.采集结果验证

采集目标：

"http://www.11467.com/tianjin/dir/a.htm",
 "http://www.11467.com/tianjin/dir/a.htm",
 .........
 "http://www.11467.com/tianjin/dir/s.htm"

有效公司数目：16万8510条。

[root@yan scrapy_tianjin02]# cat tianjin1013.txt | wc -l
168510
[root@yan scrapy_tianjin02]# tail -f tianjin1013.txt

足千里（天津）科技有限公司
最美花开（天津）网络科技有限公司
醉潮尚（天津）餐饮管理有限公司
遵化市珍珠甘栗食品有限公司天津分公司
遵化燕山塔陵有限公司天津办事处
遵义神龙医药保健有限责任公司驻天津办事处

6.使用工具

1）浏览器：firefox
2) 插件：firepath, firebug
3）插件使用与下载地址：
http://blog.csdn.net/qiyueqinglian/article/details/49280221

作者：铭毅天下
转载请标明出处，原文地址：
http://blog.csdn.net/laoyang360/article/details/52809927

码农公寓

前言