携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第10天，点击查看活动详情

爬虫之常用技术（上）

前言

写了几篇关于逆向相关了知识，今天再来唠唠爬相关的，也就是代码该怎么写，用要用到什么库，什么库好用等，这里用的主要语言还是python

静态网页信息提取

静态的网页，就是 html 类型文本，提取方式一般有css提取、xpath提取、正则表达式提取，而针对标准的html网页来说前两种用的居多，正则表达式常用于使用css和xpath已经提取了，但还是不满足要求则需使用正则表达式来提取

使用的工具

在提取中，大部分的教程和大部分人喜欢使用lxml库或BeautifulSoup库来提取数据，下面是看下这两个库的介绍：

• BeautifulSoup 是 Python 程序员中非常流行的 Web 抓取库，它基于 HTML 代码的结构构造 Python 对象，并且还合理地处理坏标记，但它有一个缺点：它很慢。
• lxml 是一个 XML 解析库（也可以解析 HTML），它使用基于 ElementTree的 pythonic API 。（lxml 不是 Python 标准库的一部分)。

可以看的出来，都很流行，但是我呢不推荐这两个，因为用起来都太麻烦，所以就推荐用使用库：parsel，看看介绍：

parsel 是一个独立的 Web 抓取库，可以在没有 Scrapy 的情况下使用。它使用了 lxml 库，并在 lxml API 之上实现了一个简单的 API。这意味着 Scrapy 选择器的速度和解析精度与 lxml 非常相似

最主要的就是简单的API，程序嘛，懒，怕麻烦才是王道

xpath 和 css 语法

这个东西写起来可多可少，就看想不想水。想水就查资料抄全一点，不想水就挑几个常用介绍介绍。恰好我是怕麻烦的，还是挑几个说说吧

就拿上面空色框框，框住的地方来说，在使用的场景里，可能会遇到获取文本的、获得role属性的

• 使用xpath获取文本写法：//cite[@class="iUh30 qLRx3b tjvcx"]/text()

• 使用xpath获取属性写法：//cite[@class="iUh30 qLRx3b tjvcx"]/@role`

• 使用css获取文本写法：cite[class="iUh30 qLRx3b tjvcx"]::text

• 使用css获取属写法：cite[class="iUh30 qLRx3b tjvcx"]::attr(role)

  其中//cite 是匹配所有的 cite 元素，[]里面是按照属性来匹配，@后面跟着的就是属性名字，然后跟着的就是符号和值，使用!=、>、<等也是可以的，后面的/就是路径，text()是一个函数（同样还有其他的很多函数），就是去下面的文本，取属性则和[]里面的情况是一样的，同样是@+属性名

  css 选择器就是使用标准的 css 获取元素加扩展的语法获取文本和属性，引用文档中的一句话：

  CSS 选择器扩展 根据 W3C 标准， CSS selectors 不支持选择文本节点或属性值。但是在 Web 抓取环境中选择这些是非常重要的，Scrapy（parsel）实现了一些 非标准的伪元素:

  • 要选择文本节点，请使用 ::text
  • 选择属性值，用 ::attr(name) name 是你想要处理的值的属性的名称

  这些伪元素是 Scrapy / Parsel 特有的。它们很可能不适用于其他库，如 lxml 或 PyQuery 等

正则表达式

正则表达式的写法有很多，但在爬虫里面我感觉最常用的和实用的就是取两者之间的字符串，写法如: a(.+?)b就是取 a 和 b 直接的字符串，用的库也还是可以直接使用parsel的.re()方法，剩下的查资料吧（反正我也懒）

获取多个和获取一个

在使用Scrapy / Parsel获取一个数据和多个数据时，常推荐的api是：extract和extract_first，但是你用的时候会发现，你在IDE里面拼这几个单词，他一个提示都没有，全都要手敲，所以这里推荐使用：get()和getall()，效果是一样的，而且还好记。

暂时结束

先到这吧，下节继续，把官方文档附上：scrapy-docs.readthedocs.io/zh/latest/t…