python之scrapy的使用和获取标签内部全部文本的四种方式

  • Post author:
  • Post category:python


在使用爬虫爬取数据的时候,经常需要获取标签内的文本,下面向大家介绍四种获取文本的方式(以小说吧中的一篇帖子为例,链接为:

https://tieba.baidu.com/p/5806279867

):

第一步:打开终端,在指定文件夹下创建一个新的项目,并且按照提示输入两个命令

第一个命令进入tieba这个文件夹

第二个命令创建一个名字为story的爬虫文件(爬虫的名字不能和工程名字一样),链接为tieba.baidu.com

创建成功的话,在指定目录下会生成以下文件

spiders:所有创建的爬虫文件会放在此文件夹下

__init__.py : 初始化文件

Items.py :存放数据模型

middlewares.py: 中间件,负责对内容进行处理

pipelines.py:通常用来控制执行的顺序

setttings.py:设置项目的配置信息

因为我们创建了一个名字为story的爬虫文件,所以spiders文件夹下有一个story的py文件

第二步:把代码内容写在爬虫文件中

获取每层的内容(四种方式获取标签内的文本):

第一种方式:使用正则表达式获取

在终端中输入:

运行结果:

第二种方式:获取外层标签,遍历内部所有的子标签,获取标签文本。

运行结果:

第三种方式:获取标签以及子标签的文本,遍历所有的元素,获得标签文本

运行结果:

第四种方式:使用xpath(‘string(.)’)这种方式来获取所有文本并且拼接

运行结果:



版权声明:本文为Y_321_123原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。