Xpath
Xpath在Pycharm中运行
Xpath默认是通过命令行进行运行的，我们可以采用下面方法进行修改，从而能够直接在pycharm中设置断点，从而进行Debug
-
在项目下创建一个begin.py文件
image
-
在begin.py中填写代码
from scrapy import cmdline
cmdline.execute('scrapy crawl douban -o douban.csv'.split())
其中''内为命令行执行语句
-
修改配置
image
Xpath解析问题猜的坑
Xpath语法中的/、//起初真的让人搞的头痛，下面记录一下爬取中国大学排名时出现的错误。
image
我们可以看出需要爬取的内容全部在class为hidden_zhpm中的tbody中，每一个大学的信息都是一个名为alt xh-highlight的tr，我的思路是从页面中先获取整个tbody，我编写的代码为:
node_list=response.xpath("//tbody[@class='hidden_zhpm']/tr")
这行代码是没有问题的，问题出现在我处理每一个tr标签的时候：
for node in node_list:
rank=node.xpath("//tr[@class='alt']/td[0]").extract()[0]
print(rank)
我在测试是否爬取排名正确的时候，使用这段代码测试，发现输出的全部为1，也就是排名没有改变；然后我将node.xpath("//tr[@class='tr']/td[0]").extract()输出后发现是一个list，里面有所有大学的排名，这也就可以解释为什么我[0]时输出的一直是1.
那么问题来了，为什么我获取的是所有大学的排名，而我只想获取每个tr标签下的排名信息，原因出现在第二次的xpath中.
item['rank']=node.xpath("./td[1]/text()").extract()[0]
我使用//进行匹配，但是这个是从根节点进行匹配，匹配根节点下所有名为alt的tr，也就是说所有大学的信息都被匹配出来了，这时候我获取td[0]就将所有大学的排名选了出来，所以extract()后的内容是一个包含所有大学排名的list，如果想从每个tr标签下筛选内容应该使用：./
item['rank']=node.xpath("./td[1]/text()").extract()[0]
.表示从node开始的路径继续选取，所以每个node下就只能筛选出当前node的排名。
这个bug我改了很久，原因还是对Xpath语法不熟悉，在和学长讨论后我觉得他的解释很清晰，这里拿来看一下：
类似linux：
//是当前文档匹配所有后序表达的意思
单独的/是指根目录
.表示当前结点
在for循环中，每个node是一个selector，当使用./时是在当前selector下开始搜索，而使用//时是在当前文档中进行搜索，而不是从当前节点向下搜索
另外经过观察，我觉得/和//的区别是：
-
a/name：只会匹配a的name孩子节点，不包括子孙节点 -
a//name：会匹配a下的所有name的节点，包括孩子节点和子孙节点
网友评论