Scrapy提供了自己的数据提取方法，即Selector（选择器）。Selector是基于lxml来构建的，支持XPath选择器、CSS选择器以及正则表达式，功能全面，解析速度和准确度非常高。
本节将介绍Selector的用法。
1. 直接使用
Selector是一个可以独立使用的模块。我们可以直接利用
Selector
这个类来构建一个选择器对象，然后调用它的相关方法如
xpath()
、
css()
等来提取数据。
例如，针对一段HTML代码，我们可以用如下方式构建
Selector
对象来提取数据：
from scrapy import Selector
body = '<html><head><title>Hello World</title></head><body></body></html>'
selector = Selector(text=body)
title = selector.xpath('//title/text()').extract_first()
print(title)运行结果如下所示：
Hello World
我们在这里没有在Scrapy框架中运行，而是把Scrapy中的Selector单独拿出来使用了，构建的时候传入
text
参数，就生成了一个
Selector
选择器对象，然后就可以像前面我们所用的Scrapy中的解析方式一样，调用
xpath()
、
css()
等方法来提取了。
在这里我们查找的是源代码中的title中的文本，在XPath选择器最后加
text()
方法就可以实现文本的提取了。
以上内容就是Selector的直接使用方式。同Beautiful Soup等库类似，Selector其实也是强大的网页解析库。如果方便的话，我们也可以在其他项目中直接使用Selector来提取数据。
接下来，我们用实例来详细讲解Selector的用法。
2. Scrapy Shell
由于Selector主要是与Scrapy结合使用，如Scrapy的回调函数中的参数
response
直接调用
xpath()
或者
css()
方法来提取数据，所以在这里我们借助Scrapy Shell来模拟Scrapy请求的过程，来讲解相关的提取方法。
我们用官方文档的一个样例页面来做演示：http://doc.scrapy.org/en/latest/_static/selectors-sample1.html。
开启Scrapy Shell，在命令行输入如下命令：
scrapy shell http://doc.scrapy.org/en/latest/_static/selectors-sample1.html
我们就进入到Scrapy Shell模式。这个过程其实是，Scrapy发起了一次请求，请求的URL就是刚才命令行下输入的URL，然后把一些可操作的变量传递给我们，如
request
、
response
等，如下图所示。
我们可以在命令行模式下输入命令调用对象的一些操作方法，回车之后实时显示结果。这与Python的命令行交互模式是类似的。
接下来，演示的实例都将页面的源码作为分析目标，页面源码如下所示：
<html>
<head>
<base href='http://example.com/' />
<title>Example website</title>
</head>
<body>
<div id='images'>
<a href='image1.html'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
<a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
<a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
<a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
<a href='image5.html'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
</div>
</body>
</html>3. XPath选择器
进入Scrapy Shell之后，我们将主要操作
response
这个变量来进行解析。因为我们解析的是HTML代码，Selector将自动使用HTML语法来分析。
response
有一个属性
selector
，我们调用
response.selector
返回的内容就相当于用
response
的
body
构造了一个Selector对象。通过这个Selector对象我们可以调用解析方法如
xpath()
、
css()
等，通过向方法传入XPath或CSS选择器参数就可以实现信息的提取。
我们用一个实例感受一下，如下所示：
>>> result = response.selector.xpath('//a')
>>> result
[<Selector xpath='//a' data='<a href="image1.html">Name: My image 1 <'>,
<Selector xpath='//a' data='<a href="image2.html">Name: My image 2 <'>,
<Selector xpath='//a' data='<a href="image3.html">Name: My image 3 <'>,
<Selector xpath='//a' data='<a href="image4.html">Name: My image 4 <'>,
<Selector xpath='//a' data='<a href="image5.html">Name: My image 5 <'>]
>>> type(result)
scrapy.selector.unified.SelectorList
打印结果的形式是Selector组成的列表，其实它是
SelectorList
类型，SelectorList和Selector都可以继续调用
xpath()
和
css()
等方法来进一步提取数据。
在上面的例子中，我们提取了
a
节点。接下来，我们尝试继续调用
xpath()
方法来提取
a
节点内包含的
img
节点，如下所示：
>>> result.xpath('./img')
[<Selector xpath='./img' data='<img src="image1_thumb.jpg">'>,
<Selector xpath='./img' data='<img src="image2_thumb.jpg">'>,
<Selector xpath='./img' data='<img src="image3_thumb.jpg">'>,
<Selector xpath='./img' data='<img src="image4_thumb.jpg">'>,
<Selector xpath='./img' data='<img src="image5_thumb.jpg">'>]
我们获得了
a
节点里面的所有
img
节点，结果为5。
值得注意的是，选择器的最前方加 .（点），这代表提取元素内部的数据，如果没有加点，则代表从根节点开始提取。此处我们用了
./img
的提取方式，则代表从
a
节点里进行提取。如果此处我们用
//img
，则还是从
html
节点里进行提取。
我们刚才使用了
response.selector.xpath()
方法对数据进行了提取。Scrapy提供了两个实用的快捷方法，
response.xpath()
和
response.css()
，它们二者的功能完全等同于
response.selector.xpath()
和
response.selector.css()
。方便起见，后面我们统一直接调用
response
的
xpath()
和
css()
方法进行选择。
现在我们得到的是
SelectorList
类型的变量，该变量是由
Selector
对象组成的列表。我们可以用索引单独取出其中某个
Selector
元素，如下所示：
>>> result[0]
<Selector xpath='//a' data='<a href="image1.html">Name: My image 1 <'>
我们可以像操作列表一样操作这个
SelectorList
。
但是现在获取的内容是
Selector
或者
SelectorList
类型，并不是真正的文本内容。那么具体的内容怎么提取呢？
比如我们现在想提取出
a
节点元素，就可以利用
extract()
方法，如下所示：
>>> result.extract()
['<a href="image1.html">Name: My image 1 <br><img src="image1_thumb.jpg"></a>', '<a href="image2.html">Name: My image 2 <br><img src="image2_thumb.jpg"></a>', '<a href="image3.html">Name: My image 3 <br><img src="image3_thumb.jpg"></a>', '<a href="image4.html">Name: My image 4 <br><img src="image4_thumb.jpg"></a>', '<a href="image5.html">Name: My image 5 <br><img src="image5_thumb.jpg"></a>']
这里使用了
extract()
方法，我们就可以把真实需要的内容获取下来。
我们还可以改写XPath表达式，来选取节点的内部文本和属性，如下所示：
>>> response.xpath('//a/text()').extract()
['Name: My image 1 ', 'Name: My image 2 ', 'Name: My image 3 ', 'Name: My image 4 ', 'Name: My image 5 ']
>>> response.xpath('//a/@href').extract()
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']
我们只需要再加一层
/text()
就可以获取节点的内部文本，或者加一层
/@href
就可以获取节点的
href
属性。其中，
@
符号后面内容就是要获取的属性名称。
现在我们可以用一个规则把所有符合要求的节点都获取下来，返回的类型是列表类型。
但是这里有一个问题：如果符合要求的节点只有一个，那么返回的结果会是什么呢？我们再用一个实例来感受一下，如下所示：
>>> response.xpath('//a[@href="image1.html"]/text()').extract()
['Name: My image 1 ']
我们用属性限制了匹配的范围，使XPath只可以匹配到一个元素。然后用
extract()
方法提取结果，其结果还是一个列表形式，其文本是列表的第一个元素。但很多情况下，我们其实想要的数据就是第一个元素内容，这里我们通过加一个索引来获取，如下所示：
>>> response.xpath('//a[@href="image1.html"]/text()').extract()[0]
'Name: My image 1 '
但是，这个写法很明显是有风险的。一旦XPath有问题，那么
extract()
后的结果可能是一个空列表。如果我们再用索引来获取，那不就会可能导致数组越界吗？
所以，另外一个方法可以专门提取单个元素，它叫作
extract_first()
。我们可以改写上面的例子如下所示：
>>> response.xpath('//a[@href="image1.html"]/text()').extract_first()
'Name: My image 1 '
这样，我们直接利用
extract_first()
方法将匹配的第一个结果提取出来，同时我们也不用担心数组越界的问题。
另外我们也可以为
extract_first()
方法设置一个默认值参数，这样当XPath规则提取不到内容时会直接使用默认值。例如将XPath改成一个不存在的规则，重新执行代码，如下所示：
>>> response.xpath('//a[@href="image1"]/text()').extract_first()
>>> response.xpath('//a[@href="image1"]/text()').extract_first('Default Image')
'Default Image'
这里，如果XPath匹配不到任何元素，调用
extract_first()
会返回空，也不会报错。
在第二行代码中，我们还传递了一个参数当作默认值，如Default Image。这样如果XPath匹配不到结果的话，返回值会使用这个参数来代替，可以看到输出正是如此。
现在为止，我们了解了Scrapy中的XPath的相关用法，包括嵌套查询、提取内容、提取单个内容、获取文本和属性等。
4. CSS选择器
接下来，我们看看CSS选择器的用法。
Scrapy的选择器同时还对接了CSS选择器，使用
response.css()
方法可以使用CSS选择器来选择对应的元素。
例如在上文我们选取了所有的
a
节点，那么CSS选择器同样可以做到，如下所示：
>>> response.css('a')
[<Selector xpath='descendant-or-self::a' data='<a href="image1.html">Name: My image 1 <'>,
<Selector xpath='descendant-or-self::a' data='<a href="image2.html">Name: My image 2 <'>,
<Selector xpath='descendant-or-self::a' data='<a href="image3.html">Name: My image 3 <'>,
<Selector xpath='descendant-or-self::a' data='<a href="image4.html">Name: My image 4 <'>,
<Selector xpath='descendant-or-self::a' data='<a href="image5.html">Name: My image 5 <'>]
同样，调用
extract()
方法就可以提取出节点，如下所示：
>>> response.css('a').extract()
['<a href="image1.html">Name: My image 1 <br><img src="image1_thumb.jpg"></a>', '<a href="image2.html">Name: My image 2 <br><img src="image2_thumb.jpg"></a>', '<a href="image3.html">Name: My image 3 <br><img src="image3_thumb.jpg"></a>', '<a href="image4.html">Name: My image 4 <br><img src="image4_thumb.jpg"></a>', '<a href="image5.html">Name: My image 5 <br><img src="image5_thumb.jpg"></a>']用法和XPath选择是完全一样的。
另外，我们也可以进行属性选择和嵌套选择，如下所示：
>>> response.css('a[href="image1.html"]').extract()
['<a href="image1.html">Name: My image 1 <br><img src="image1_thumb.jpg"></a>']
>>> response.css('a[href="image1.html"] img').extract()
['<img src="image1_thumb.jpg">']
这里用
[href="image.html"]
限定了
href
属性，可以看到匹配结果就只有一个了。另外如果想查找
a
节点内的
img
节点，只需要再加一个空格和
img
即可。选择器的写法和标准CSS选择器写法如出一辙。
我们也可以使用
extract_first()
方法提取列表的第一个元素，如下所示：
>>> response.css('a[href="image1.html"] img').extract_first()
'<img src="image1_thumb.jpg">'接下来的两个用法不太一样。节点的内部文本和属性的获取是这样实现的，如下所示：
>>> response.css('a[href="image1.html"]::text').extract_first()
'Name: My image 1 '
