提取语录和作者

现在你已经对选择器和提取内容有一定的认识,让我们通过写代码完成我们的爬虫来从网页中提取语录。
每条在http://quotes.toscrape.com网站中的语录,都是用HTML元素来表示的,就像是这样:

    <div class="quote">
        <span class="text">“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”</span>
        <span>
            by <small class="author">Albert Einstein</small>
            <a href="/author/Albert-Einstein">(about)</a>
        </span>
        <div class="tags">
            Tags:
            <a class="tag" href="/tag/change/page/1/">change</a>
            <a class="tag" href="/tag/deep-thoughts/page/1/">deep-thoughts</a>
            <a class="tag" href="/tag/thinking/page/1/">thinking</a>
            <a class="tag" href="/tag/world/page/1/">world</a>
        </div>
    </div>

让我们打开scrapy shell来操作如何提取我们想要的数据:

    $  scrapy shell "http://quotes.toscrape.com"

我们得到了引用HTML元素的选择器列表:

    >>>response.css("div.quote")

上面的查询返回的每个选择器都允许我们在子元素上运行更多的查询。让我们指定第一个选择器为变量,如此一来我们就可以在指定的quote变量中直接运行我们的CSS选择器。

    >>>quote = response.css("div.quote")[0]

现在让我们从刚创建的quote对象中提取titleauthortags

    >>> title = quote.css("span.text::text").extract_first()
    >>>title
    '"The world as  we have create it is a process of our thinking.It cannot be changed without changing our thinking."'
    >>>author = quote.css("samll.author::text").extract_first()
    >>>author
    'Albert Einstein'

因为标签是字符串列表,我们可以用.extract()方法来提取它们:

    >>>tags = quote.css("div.tags a.tag::text").extract()
    >>>tags
    ['change','deep-thoughts','thinking','world']

理解了如何提取quote对象中的每条信息,我们现在可以提取全部信息并把它们放入Python的字典中。

    >>>for quote in response.css("div.quote"):
           text = quote.css("span.text::text").extract_first()
           author = quote.css("small.author::text").extract_first()
           tags = quote.css("div.tags a.tag::text").extract()
           print(dict(text = text, author = author, tags = tags))
           {'tags': ['change', 'deep-thoughts', 'thinking', 'world'],'author': 'Albert Einstein', 'text': '“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”'}
           {'tags': ['abilities', 'choices'], 'author': 'J.K. Rowling', 'text': '“It is ourchoices, Harry, that show what we truly are, far more than our abilities.”'}
           ... a few more of these, omitted for brevity
    >>>

在我们的爬虫中提取数据:

让我们回到爬虫。直到现在,还未提取详细的数据,我们仅仅保存了HTML页面在电脑中。让我们在爬虫中整合具有逻辑的数据。
一个Scrapy爬虫生成了许多包含在页面中数据的字典。要做到这一点,我们在回调函数中使用yieldPython的关键字),正如你所见:

    import scrapy
    class QuotesSpider(scrapy.Spider):
        name = "quotes"
        start_urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ] 
        def parse(self,response):
            for quote in qutoes.css('div.quote'):
                yield{
                    'text':quote.css('span.text::text').extract_first(),
                    'author':quote.css('small.author:text').extract_first()
                    'tags':quote.css('div.tags a.tag:text').extract(),
                }

如果你运行此爬虫,它将会输出爬取的数据和输入日志:

    2016-09-19 18:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes. toscrape.com/page/1/>
    {'tags': ['life', 'love'], 'author': 'André Gide', 'text': '“It is better to be hated for what you are than to be loved for what you are not.”'}
    2016-09-19 18:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
    {'tags': ['edison', 'failure', 'inspirational', 'paraphrased'], 'author': 'Thomas A.Edison', 'text': "“I have not failed. I've just found 10,000 ways that won't work.”"}
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,839评论 6 482
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,543评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 153,116评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,371评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,384评论 5 374
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,111评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,416评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,053评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,558评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,007评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,117评论 1 334
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,756评论 4 324
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,324评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,315评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,539评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,578评论 2 355
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,877评论 2 345

推荐阅读更多精彩内容