网页数据的解析提取（parsel的使用）

前面，我们已经介绍了Xpath库和Beautiful Soup库（支持css选择器）来提取页面信息。它们有各自的优缺点，那可不可以取长补短呢？当然可以，parsel库就是结合Xpath和css选择器两种方式来提取网页信息。同时，Python爬虫有一个最流行的Scrapy框架，parsel就是它的底层支持。了解了它，后面学习Scrapy选择器的用法就非常方便了！！！

Parsel

1、准备工作

2、案例

3、提取文本

（1）Xpath的提取方法

（2）css选择器提取方法

4、提取属性

5、正则提取

Parsel

1、准备工作

使用前要先安装parsel库，安装命令如下：

pip3 install parsel

2、案例

为了让读者更加能清晰感受到parsel库，首先来看一下一个示例：

# html代码
html = '''
<div><ul><li class="item-0">firsst item</li><li class="item-1"><a href="link2.html">secomd item</a> </li><li class="item-0 active"><a href="link3.html"><span class="bold">third item</span> </a> firsst item</li><li class="item-1 active"><a href="link4.html">fourth item</a> </li><li class="item-0"><a href="link5.html">fifth item</a> </li></ul> 
</div>
'''
# 导包
from parsel import Selector
# 创建一个Selector对象，向其中传入text参数，传入的就是上面的html代码
selector = Selector(html)
# 有了Selector对象，我们就可以使用css和xpath方法
# 这里用css选择器选择class为item-0的节点
items = selector.css('.item-0')
# 打印该节点的长度 类型 信息
print(len(items),type(items),items)
# 分隔行
print()
# 这里我们用xpath的方式提取li节点提取class为item-0的节点
items2 = selector.xpath('//li[contains(@class, "item-0")]')
# 打印该节点的长度 类型 信息
print(len(items2),type(items2),items2)
# 这两种方式得到的结果是一样的

结果如下：

3 <class 'parsel.selector.SelectorList'> [<Selector query="descendant-or-self::*[@class and contains(concat(' ', normalize-space(@class), ' '), ' item-0 ')]" data='<li class="item-0">firsst item</li>'>, <Selector query="descendant-or-self::*[@class and contains(concat(' ', normalize-space(@class), ' '), ' item-0 ')]" data='<li class="item-0 active"><a href="li...'>, <Selector query="descendant-or-self::*[@class and contains(concat(' ', normalize-space(@class), ' '), ' item-0 ')]" data='<li class="item-0"><a href="link5.htm...'>]3 <class 'parsel.selector.SelectorList'> [<Selector query='//li[contains(@class, "item-0")]' data='<li class="item-0">firsst item</li>'>, <Selector query='//li[contains(@class, "item-0")]' data='<li class="item-0 active"><a href="li...'>, <Selector query='//li[contains(@class, "item-0")]' data='<li class="item-0"><a href="link5.htm...'>]

可以看到两个结果都是SelectorList对象，这其实是一个可迭代对象。用len 方法获取了结果的长度，都是3。另外，提取结果代表的节点也是一样的，都是第1、3、5个li节点，每个节点还是以Selector 对象的形式返回, 其中每个 Selector 对象的 data属性里包含对应提取节点的 HTML 代码。

这里大家可能会有个疑问，第一次不是用css方法提取的节点吗? 为什么结果中的 Selector对象输出的是xpath属性而不是css属性? 这是因为在css方法的背后，我们传入的 CSS 选择器首先是被转成了 XPath,真正用于节点提取的是XPath。其中CSS选择器转换为 XPath的过程是由底层的 cssselect 这个库实现的, 例如.item-0这个CSS 选择器转换为 XPath的结果就是 descendant-or-self::*[@class and contains(concat(' ' , normalize-space(@class), ' '), ' item-o ')], 因此输出的 Selector 对象就有了xpath属性。不过大家不用担心，这个对提取结果是没有影响的，仅仅是换了一个表示方法而已。

3、提取文本

提取文本只需采用xpath或者css选择器的方式去获取即可。由于Selector对象是一个可迭代对象，这里我们需要进行遍历然后再选择Xpath或css选择器的方式去提取。

（1）Xpath的提取方法

首先演示一下用Xpath方式去获取文本，Xpath是用text()方法来提取节点的文本，但提取的只是Selector构成的可迭代对象SelectorList。SelectorList中有一个get方法，可以获取第一个Selector对象的文本内容；getall方法则获取所有Selector对象的文本内容。代码如下：

# html代码
html = '''
<div><ul><li class="item-0">first item</li><li class="item-1"><a href="link2.html">secomd item</a> </li><li class="item-0 active"><a href="link3.html"><span class="bold">third item</span> </a> firsst item</li><li class="item-1 active"><a href="link4.html">fourth item</a> </li><li class="item-0"><a href="link5.html">fifth item</a> </li></ul> 
</div>
'''
from parsel import Selector
selector = Selector(html)
#  采用css选择器选择目标节点
items = selector.css('.item-0')
# 因为Selector是一个可迭代的对象，它是有列表组成的。所以可以遍历提取所需要的信息
for item in items:# 采用Xpath方式提取文本信息，Selector中有一个get方法，它是用来提取所获取第一个节点的文本内容# text = item.xpath('.//text()').get()# print(text)# 采用Xpath方式提取文本信息，Selector中有一个getall方法，它是用来提取所获取所有的节点文本内容text2 = item.xpath('.//text()').getall()print(text2)

结果如下：

first item
['first item']
third item
['third item', ' ', ' firsst item']
fifth item
['fifth item', ' ']

（2）css选择器提取方法

css选择器是通过::text来提取文本的，采用css选择器定位到所需要的节点，然后加上::text，但它返回的也是Selector对象构成的SelectorList对象，所以也是跟上面一样，加上get方法或getall方法。

# html代码
html = '''
<div><ul><li class="item-0">first item</li><li class="item-1"><a href="link2.html">secomd item</a> </li><li class="item-0 active"><a href="link3.html"><span class="bold">third item</span> </a> firsst item</li><li class="item-1 active"><a href="link4.html">fourth item</a> </li><li class="item-0"><a href="link5.html">fifth item</a> </li></ul> 
</div>
'''
from parsel import Selector
selector = Selector(html)
#  采用css选择器选择目标节点
items = selector.css('.item-0')
# 因为Selector是一个可迭代的对象，它是有列表组成的。所以可以遍历提取所需要的信息
for item in items:# 采用Xpath方式提取文本信息，Selector中有一个get方法，它是用来提取所获取第一个节点的文本内容text = item.css('::text').get()print(text)# 采用Xpath方式提取文本信息，Selector中有一个getall方法，它是用来提取所获取所有的节点文本内容text2 = item.css('::text').getall()print(text2)

结果如下：

C:\Users\Lenovo\AppData\Local\Programs\Python\Python311\python.exe C:\Users\Lenovo\Desktop\爬虫学习\Python知识\parsel库\提取文本2.py 
first item
['first item']
third item
['third item', ' ', ' firsst item']
fifth item
['fifth item', ' ']进程已结束，退出代码为 0

4、提取属性

提取属性的方式更上面类似，直接采用xpath提取属性的方法：选中节点后加上/@再加属性名称；css选择器提取属性的方法加::attr()，往里面传入对应的属性名称。示例如下：

# html代码
html = '''
<div><ul><li class="item-0">first item</li><li class="item-1"><a href="link2.html">secomd item</a> </li><li class="item-0 active"><a href="link3.html"><span class="bold">third item</span> </a> firsst item</li><li class="item-1 active"><a href="link4.html">fourth item</a> </li><li class="item-0"><a href="link5.html">fifth item</a> </li></ul> 
</div>
'''
from parsel import Selector
selector = Selector(text=html)
# css选择器提取属性的方式
result = selector.css('.item-0.active a::attr(href)').get()
print(result)
# xpath提取属性的方式
result = selector.xpath('//li[contains(@class, "item-0") and contains(@class, "active")]/a/@href').get()
print(result)

结果如下：

link3.html
link3.html

5、正则提取

Selector对象还提供正则表达式的提取方法。可以先采用css选择器或xpath选择器选中所需要的目标节点，然后调用Selector对象的re方法输入正则表达式来匹配，其匹配选中节点所有符合正则表达式的内容；re_first方法输入正则表达式来匹配，其匹配选中节点第一个符合正则表达式的内容。示例如下：

# html代码
html = '''
<div><ul><li class="item-0">first item</li><li class="item-1"><a href="link2.html">secomd item</a> </li><li class="item-0 active"><a href="link3.html"><span class="bold">third item</span> </a> firsst item</li><li class="item-1 active"><a href="link4.html">fourth item</a> </li><li class="item-0"><a href="link5.html">fifth item</a> </li></ul> 
</div>
'''
from parsel import Selector
selector = Selector(text=html)
# 选用css选择器选中目标节点，再用re方法输入正则表达式来匹配，其匹配选中节点所有符合正则表达式的内容
result = selector.css('.item-0').re('link.*')
print(result)
# 选用css选择器选中目标节点，再用re_first方法输入正则表达式来匹配，其匹配选中节点第一个符合正则表达式的内容
result = selector.css('.item-0').re_first('<span class="bold">(.*?)</span>')
print(result)

结果如下：

['link3.html"><span class="bold">third item</span> </a> firsst item</li>', 'link5.html">fifth item</a> </li>']
third item