Scrapy中XPath选择器的基本用法
1、前言
本文是作为爬虫项目实战一：基于Scrapy+MongDB爬取并存储糗事百科用户信息的补充，所以本文的网页选择也是基于糗事百科展开。XPath主要使用在XML文档中选择节点，同时XPath也适用于HTML。网页中，标签元素的关系有：先辈节点、父节点、子节点、同级节点、后辈节点。XPath用法很多，这里不会全部列出来，主要是列出来了，上篇blog中使用过的一些方法进行总结。如果不对之处，还望批评指正。想更详细了解用法，请参考W3CSchool XPath教程和官方文档
注意以下代码截图都是基于糗事百科网址(https://www.qiushibaike.com/hot/page/1/)，同时测试代码实在Pycharm中进行，通过配置scrapy settings中的请求中添加User-Agent字段，然后在Pycharm的Terminal终端输入scrapy shell https://www.qiushibaike.com/hot/page/1/ 命令进入交互模式进行。
如下图：
2、多级定位和跳级定位标签元素
1. 多级定位
从根节点开始选择定位，通常是以"/"开头，返回所有匹配的子节点选择器列表。
例如：我要定位下面的body标签。
那么多级定位的写法应该是：r = response.xpath(’/html/body’)，这里找到了一个，所以返回的是包含一个选择器元素的列表。
再比如，r = response.xpath(’/html/body/div’)，这里会返回包含5个选择器元素的列表，第一个div没有被捕获，可能是因为里面涉及到了js，具体原因自己还没有弄明白。（有知道的大佬，希望能评论告知）。
2. 跳级定位
不用从根节点匹配，而是全局匹配，有匹配的结果返回一个选择器列表。通常是以"//"开头。
见下面的示例，注意这个时候会全局去匹配，所以它会去子孙节点中寻找符合调节的标签，全部返回。因此需要准确定位的话，最好先加上一些属性进行定位，后面会讲到。
3. 利用属性更加准确的定位标签
每个html元素都有很多属性，如id、class、title、href、text等，这些属性往往具有很强的特殊性，结合元素多级定位或跳级定位会更准确高效，比如：定位body标签下的id="header"的div标签。
语法就是：r = response.xpath(’//body/div[@id=“header”]’)，结果如下。
4. 提取定位标签中的text信息
首先准确定位到要提取text的标签，然后在后面加上"/text()"即可，调用get()方法或者getall()方法获得。
语法：r = response.xpath(’//head/title/text()’).get()
这是提取head标签下的title节点中的文本信息。
我们再提取第一个用户发表的段子信息。
r = response.xpath(’//div[@class=“col1”]/div’)[0].xpath(’./a/div[@class=“content”]/span/text()’).get()
.xpath(’./a/div[@class=“content”]/span/text()’).get()中的./div代表当前节点下的div节点，依次类推。
结果我们看到之匹配了第一句，后面的没有匹配。所以这里我们采用getall()方法。
r = response.xpath(’//div[@class=“col1”]/div’)[0].xpath(’./a/div[@class=“content”]/span/text()’).getall()
Ps：注意要检查是否是准确定位，写这篇总结时，发现原来的匹配方式：r = response.xpath(’//div[@class=“col1”]/div’)[0].xpath(’./a/div/span/text()’).getall()会全部两个a标签下div标签中所有span节点的text。（这里重新加载了网页）
综上，在多级选取和跳级选取中要多配合属性等来达到准确定位，其次要注意多余匹配情况的发生，检查结果是否准确！
更精确的提取：
r = response.xpath(’//div[@class=“col1”]/div’)[0].xpath(’./a/div[@class=“content”]/span’)[0].xpath(’./text()’).getall().
5. 提取定位标签中的属性信息
我们要提取div标签中的class属性值，首先定位到相应的标签，然后在后面加上“/@classs”，调用get()方法或者getall()方法获得。
之后这个字符串经过切片等处理，提取出来性别。