今天准备总结一下前一段编写的爬虫程序，该程序
使用的框架是Scrapy，这里推荐崔庆才的个人博客。
写的非常详细，我按照他的描述，自己完成了爬取Nature官网
里面文章相关信息的程序。关于该框架的使用，崔庆才在博客中已经写得非常清楚了，这里仅仅提供代码中关于xpath使用的相关
常用操作：
选取节点
下面列出了最有用的路径表达式：
| 表达式 | 描述 |
|---|---|
| nodename | 选取此节点的所有子节点。 |
| / | 从根节点选取。 |
| // | 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 |
| . | 选取当前节点。 |
| .. | 选取当前节点的父节点。 |
| @ | 选取属性。 |
实例
在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：
| 路径表达式 | 结果 |
|---|---|
| body | 选取 body 元素的所有子节点。 |
| /body | 选取根元素 body。 注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！ |
| body/div | 选取属于 body 的子元素的所有 div 元素。 |
| //div | 选取所有 div 子元素，而不管它们在文档中的位置。 |
| body//div | 选择属于 body 元素的后代的所有 div 元素，而不管它们位于 body 之下的什么位置。 |
| //@herf | 选取名为 herf 的所有属性。 |
谓语
谓语用来查找某个特定的节点或者包含某个指定的值的节点。
谓语被嵌在方括号“[]”中。
实例
在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
| 路径表达式 | 结果 |
|---|---|
| /bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
| /bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
| /bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
| /bookstore/book[position()<3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
| //title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
| //title[@lang=’eng’] | 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。 |
| /bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。 |
| /bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。 |
| //a[contains(@data-track-source,”subject-name”)]/text() | 选取 data-track-source 属性值是 subject-name 的 a 元素标签中间包含的文本。 |
| //*[@id=”references-content”] | 选取所有元素中的 id 属性是 references-content 的元素。 |
| //*[@id=”references-content”]/../div | 选取所有元素中的 id 属性是 references-content 的元素的兄弟中的div元素。 |
选取未知节点
XPath 通配符可用来选取未知的 XML 元素。
| 通配符 | 描述 |
|---|---|
| * | 匹配任何元素节点。 |
| @* | 匹配任何属性节点。 |
| node() | 匹配任何类型的节点。 |
实例
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
| 路径表达式 | 结果 |
|---|---|
| /bookstore/* | 选取 bookstore 元素的所有子元素。 |
| //* | 选取文档中的所有元素。 |
| //title[@*] | 选取所有带有属性的 title 元素。 |
选取若干路径
通过在路径表达式中使用“|”运算符，您可以选取若干个路径。
实例
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
| 路径表达式 | 结果 |
|---|---|
| //book/title | //book/price | 选取 book 元素的所有 title 和 price 元素。 |
| //title | //price | 选取文档中的所有 title 和 price 元素。 |
| /bookstore/book/title | //price | 选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。 |
运算符
下面列出了可用在 XPath 表达式中的运算符：
| 运算符 | 描述 | 实例 | 返回值 |
|---|---|---|---|
| | | 计算两个节点集 | //book | //cd | 返回所有拥有 book 和 cd 元素的节点集 |
| + | 加法 | 6 + 4 | 10 |
| - | 减法 | 6 - 4 | 2 |
| * | 乘法 | 6 * 4 | 24 |
| div | 除法 | 8 div 4 | 2 |
| = | 等于 | price=9.80 | 如果 price 是 9.80，则返回 true。 如果 price 是 9.90，则返回 false。 |
| != | 不等于 | price!=9.80 | 如果 price 是 9.90，则返回 true。 如果 price 是 9.80，则返回 false。 |
| < | 小于 | price<9.80 | 如果 price 是 9.00，则返回 true。 如果 price 是 9.90，则返回 false。 |
| <= | 小于或等于 | price<=9.80 | 如果 price 是 9.00，则返回 true。 如果 price 是 9.90，则返回 false。 |
| > | 大于 | price>9.80 | 如果 price 是 9.90，则返回 true。 如果 price 是 9.80，则返回 false。 |
| >= | 大于或等于 | price>=9.80 | 如果 price 是 9.90，则返回 true。 如果 price 是 9.70，则返回 false。 |
| or | 或 | price=9.80 or price=9.70 | 如果 price 是 9.80，则返回 true。 如果 price 是 9.50，则返回 false。 |
| and | 与 | price>9.00 and price<9.90 | 如果 price 是 9.80，则返回 true。 如果 price 是 8.50，则返回 false。 |
| mod | 计算除法的余数 | 5 mod 2 | 1 |
正则表达式
除了使用xpath语言外，scrapy框架爬到的数据还要经常使用正则表达式把得到的数据后处理。
比如删除字符串里面的所有空行和所有空白，还要通过，拆分得到最后一个字符串。
import re #引入正则表达式库
def dealString(str):
str = re.sub(r"\n", r"", str) #删除字符串里面的所有空行
str = re.sub(r"\s+", r"", str) #删除字符串里面的所有空白
return str.split('，')[-1] #返回字符串通过`，`拆分后得到的最后一个字符串总之xpath和正则表达式库re是scrapy框架的好帮手！！
最后，本篇的全部代码在下面这个网页可以下载：