Scrapy提取裸HTML数据技巧

本教程将重点介绍如何使用 CSS 选择器，结合 :contains() 伪类和 getall() 方法，来解决这类问题。getall() 方法返回一个包含所有匹配元素的列表，这对于处理包含多个结果的查询非常有用。

示例：提取房屋卧室数量

假设我们需要从以下 HTML 片段中提取卧室数量（即 "1"）：

    

        
        
        
Chambres
        1
    

Scrapy 代码:

import scrapy
import re

class MySpider(scrapy.Spider):
    name = "my_spider"
    start_urls = ["http://example.com"] # 替换成你实际的起始 URL

    def parse(self, response):
        # 假设 house_listing 是包含上述 HTML 片段的 Selector 对象
        house_listing = response.css('.search-results-listings-list__item-description__item.search-results-listings-list__item-description__characteristics')

        bedrooms_info = house_listing.css('.search-results-listings-list__item-description__characteristics__item:contains("Chambres") ::text').getall()
        # bedrooms_info 现在是一个列表，包含所有匹配的文本内容
        # 提取列表中的最后一个元素，通常是卧室数量
        bedrooms = bedrooms_info[-1]

        # 使用正则表达式提取数字
        match = re.search(r'\d+', bedrooms)
        if match:
            bedroom_count = int(match.group())
            yield {
                'bedrooms': bedroom_count
            }
        else:
            yield {
                'bedrooms': None  # 或者其他默认值
            }

代码解释:

1. house_listing = response.css('.search-results-listings-list__item-description__item.search-results-listings-list__item-description__characteristics'): 首先，使用 CSS 选择器定位到包含卧室信息的父
   元素。
2. .search-results-listings-list__item-description__characteristics__item:contains("Chambres") ::text: 这个 CSS 选择器做了以下事情：
   • .search-results-listings-list__item-description__characteristics__item: 选择所有具有该类的元素。
   • :contains("Chambres"): 筛选出包含 "Chambres" 文本的元素。
   • ::text: 提取匹配元素的文本内容。
3. bedrooms_info = ... .getall(): 使用 getall() 方法获取所有匹配的文本内容，返回一个列表。
4. bedrooms = bedrooms_info[-1]: 由于卧室数量通常是列表中的最后一个元素，因此使用 [-1] 索引获取它。
5. re.search(r'\d+', bedrooms): 使用正则表达式提取文本中的数字。
6. 数据清洗: 提取的文本可能包含额外的空白字符，可以使用 .strip() 方法去除。
7. 数据转换: 将提取的字符串转换为整数类型。

注意事项

• HTML 结构稳定性: 网页的 HTML 结构可能会发生变化，因此需要定期检查和更新 CSS 选择器。
• 错误处理: 在提取数据时，应考虑可能出现的错误情况，例如目标元素不存在或文本内容格式不正确。
• Robots.txt: 遵守网站的 robots.txt 协议，避免过度抓取。
• 动态加载: 如果网站使用 JavaScript 动态加载内容，可能需要使用 Scrapy 与 Selenium 或其他工具结合，模拟浏览器行为。

总结

本教程介绍了如何使用 Scrapy 提取未被