【发布时间】:2012-11-20 12:26:50
【问题描述】:
我正在使用 Scrapy BaseSpider 从网站收集数据。刮板从产品展示页面开始,移动到“下一页”链接,从每个页面收集某些数据并将其存储到 CSV 文件中。蜘蛛运行正常,但仅从第 1 页、第 2 页和最后一页(第 36 页)收集数据。经过几个小时的修改代码后,我无法弄清楚原因。以下代码显示了我的蜘蛛。有什么建议吗?
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from scrapy.http.request import Request
from longs.items import LongsItem
from scrapy.utils.response import get_base_url
import urlparse
class LongsComSpider(BaseSpider):
name = "longs"
allowed_domains = ["longswines.com"]
start_urls = ["http://www.longswines.com/wines/?page=3&sortby=winery&item_type=wine"]
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select("//div[@class='pagebox']/a[6]/@href")
for site in sites:
relative_next_page = site.extract()
next_page = [urlparse.urljoin(response.url, relative_next_page)]
if not not relative_next_page:
yield Request(next_page[0], self.parse)
products = hxs.select("//div[@class='productlistitem']")
items = []
for product in products:
item = LongsItem()
item["title"] = product.select("div[1]/h2/a/text()").extract()
item["link"] = response.url
item["price"] = product.select("div[2]/h2/text()").extract()
item["details"] = product.select("div[1]/p/text()").extract()
items.append(item)
for item in items:
yield item
【问题讨论】:
-
您的代码已损坏,请参阅
for site in sites:行。下面的行没有缩进。如果你清理它,它会更容易帮助你。 -
我在不同的网站上使用了这个代码,设置相似,它可以工作。由于某些防刮机制(facepalm),它在此特定站点上不起作用。这里的教训是在所有不同的场景中尝试代码。无论如何希望代码可以帮助某人。
标签: python python-2.7 scrapy