爬虫入门：Firefox结合ScrapyShell爬取网页数据

image

阅读本篇大概需要 4 分钟。

本来这篇是要接着之前 Python 基础的，但由于基础讲的太多，真的会很累。所以先暂停一两篇关于 Python 基础的分享。这篇分享一些有意思的东西。

今天我在 Github 上创建了一个组织，名叫「SpiderMan」

image

这个组织的目的是玩转 Python 爬虫，目前其中有一个项目就是昨天我提到的 “什么值得买” 这个平台的爬虫。

目前有三个读者联系到我了，我初步了解了下有一个是爬虫高手 A，另外两个 B 和 C 是有一定 Python 基础，但在爬虫方面还是初次。不过我对他们都是同样的看待，我们建了一个微信群他们有问题都会抛出来。其次我也会去主动问他们某个知识点是否了解，比如今天要提到的 Scrapy Shell。除了刚才提到的 A 会， B 和 C 对这个只是听到过。所以我就把这个知识点在这里安利下。（当然，有兴趣加入组织的可以在后台或者 Github Issues 里面联系我）

Scrapy Shell 是什么？

你可以把这个理解为 Python 爬虫的一个测试工具。提到爬虫，我们最常见就是提取 HTML 中某个标签下的数据，但在提取之前我们需要找到这个标签位置，这个位置在学术上就是 XPath。

大家都知道 HTML 的页面是 XML 格式的，在 XML 中需要定位到某个标签的话就需要有个路径。所以你就可以把 XPath 理解为 XML 中某个标签的路径，比如从 html 标签到 a 标签的内容。

举个实际的简单例子，我们来找找 “什么值得买” 官网页面的 Logo 所在的 Xpath 路径：

1.在 FireFox 中打开“什么值得买”的官网

image

2.在当前页面点击鼠标右键，并选中 “查看元素”

image

3.选中之后，会展示如下界面，然后选中工具栏的左上角 箭头按钮，选中之后就可以用鼠标点击页面上的任意内容，比如我这里点击 Logo

image

看到图片最底部会出现一个路径，这就是 Logo 在 xml 中的路径。可以看到 html->body&＃8230;&＃8230;-> img 就是 这个 Logo 的 XPath。其中每个路径主要分为三段，第一段是标签名，第二段 # 后面的是当前标签的 id ，第三段 . 后面的是标签的 class 名。那么这个 XPath 就可以这么写：

image

有了这个 Xpath，我们就可以通过写 Python 的代码去拿到这个标签的数据，一般我们会用到 Scrapy 框架来做这件事。这篇文章暂不分享 Scrapy 框架，不了解的可以看

用 Scrapy 从零写一个爬虫。

那么，我们如何在不写代码的情况下去校验这段 XPath 是否能拿到标签数据呢？

这时候我们就需要用到 Scrapy Shell 来测试这个 XPath 路径到底能不能拿到这个 Logo 图片的地址。

命令:

scrapy shell 'url 地址'


➜ /Users/xiyouMc > scrapy shell 'https://www.smzdm.com'>>> response.xpath('/html/body/header[@id="header"]/div[@id="global-search"]/div[@class="search-inner z-clearfix"]/h1[@id="logo"]/a/img/@src')[]


(看不清的，可以在浏览器打开)

然后我们通过 reponse.xpath() 来拿到这个路径下的标签数据。不过这时候拿到的还是一个 Selector 对象,要拿到准确的数据我们在后面加上 extract()

>>> response.xpath('/html/body/header[@id="header"]/div[@id="global-search"]/div[@class="search-inner z-clearfix"]/h1[@id="logo"]/a/img/@src').extract()[u'https://res.smzdm.com/pc/v1.0/dist/img/activity/17double11/double11gif.gif']>>>


这样我们就通过Scrapy Shell 来拿到了 XPath 的标签数据。当然，这只是爬虫的第一步，不过这也算是爬虫中最关键的一步。

预告下，下周我可能会在某天晚上直播一场从零开始的一个爬虫项目，敬请期待。

有兴趣加入这个组织的可以加我微信 &＃8216;mcx1469&＃8217; ，也可以在我的 Github 仓库的 Issues 中提一些，地址:

https://github.com/xiyouMc/SmzdmSpider