Scrapy中詭異xpath的匹配內容失效問題及解決

引言

在爬蟲的世界裡,xpath是一種非常簡單易用的匹配規則,方便我們在web世界裡提取需要的各類信息。

本文將講述一個xpath規則無效的問題分析過程。

環境介紹

Python 3.6.1 Scrapy 1.5.0

問題

在選用xpath之時,都是基於firefox或者chrome中自帶的Web開發工具來選取的。

這裡一般推薦使用chrome的devtool,功能強大,簡單易用,童叟無欺,居傢旅遊必須良品呀。

具體示意如下:

基於xpath提取信息

基於xpath提取的路徑信息,示例如下:

//*[@id=”SpanPlanSchoolInfo”]/table[2]/tbody/tr[3]/td/table/tbody/tr[2]/td[1]/a

在Scrapy代碼中使用如下:

def parse(self, response):
    xpath_url = '//*[@id="SpanPlanSchoolInfo"]/table[2]/tbody/tr[3]/td/table/tbody/tr[2]/td[1]/a'
    urls = response.xpath(xpath_url)
    .....

但是在實際執行中,卻一直沒有匹配到urls,根據實際上頁面返回正常,同時數據也是正確可以匹配到的,那問題出現在哪裡呢?

問題分析

根據結果來分析,如果頁面存在,但是沒有正確的結果輸出,則一定是xpath的問題,但是xpath問題是基於chrome自帶的devtools工具copy而來的,怎麼可能出錯恩?真是讓人想不透的問題…….

在經過一番深入的反復嘗試之後,主要是基於scrapy提供的強大的scrapy shell交互工具,可以幫助開發者快速地一步一步地定位問題。

於是采取瞭逐步縮小xpath的方式,逐步定位問題,終於找到瞭問題的原因所在,那就是tbody是一個需要移除的tag標簽。

將正確的xpath設置為:

//*[@id=”SpanPlanSchoolInfo”]/table[2]/tr[3]/td/table/tbody/tr[2]/td[1]/a

問題總結

雖然問題解決瞭,但是原因是什麼呢?

經過分析,主要是由於瀏覽器本身自動為table新增瞭tbody標簽內容,但是在xpath中是不需要的,需要在進行xpath查詢之時移除掉。

以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。

推薦閱讀: