Scrapy - 动态创建字段的正确选择器

Question

我正在开发网络抓取工具，但在抓取正确的选择器时遇到了麻烦。这是我的代码：

# -*- coding: utf-8 -*-
import scrapy
import pandas as pd
from ..items import HomedepotpricespiderItem
from scrapy.http import Request


class HomedepotspiderSpider(scrapy.Spider):
    name = 'homeDepotSpider'
    allowed_domains = ['homedepot.com']


    



    start_urls = ['https://www.homedepot.com/pep/304660691']#.format(omsID = omsID)
        #for omsID in omsList]

    def parse(self, response):

    #call home depot function
        for item in self.parseHomeDepot(response):
            yield item

        pass

    def parseHomeDepot(self, response):

        #get top level item
        items = response.css('#zone-a-product')
        for product in items:
            item = HomedepotpricespiderItem()

    
    #get the price
            productPrice = product.xpath('//div[@class="price-format__main-price"]/span/text()').getall()

    #get rid of all the stuff i dont need
   
        
            item['productPrice'] = productPrice
            
            yield item

因此，使用我当前的选择器，它看起来像是在获取这些项目的价格。

因为我的输出是：

'productPrice': ['$',
                  '2167',
                  '49',
                  '$',
                  '1798',
                  '00',
                  '$',
                  '2698',
                  '00',
                  '$',
                  '2099',
                  '99',
                  '$',
                  '2968',
                  '00',
                  '$',
                  '2294',
                  '99',
                  '$',
                  '2068',
                  '00',
                  '$',
                  '1649',
                  '99',
                  '$',
                  '2399',
                  '00',
                  '$',
                  '1649',
                  '99',
                  '$',
                  '1549',
                  '99',
                  '$',
                  '1799',
                  '99',
                  '$',
                  '3360',
                  '89',
                  '$',
                  '2899',
                  '95',
                  '$',
                  '3699',
                  '00',
                  '$',
                  '2719',
                  '96',
                  '$',
                  '1954',
                  '99',
                  '$',
                  '2699',
                  '00',
                  '$',
                  '2294',
                  '96',
                  '$',
                  '3149',
                  '00',
                  '$',
                  '3499',
                  '00',
                  '$',
                  '3749',
                  '00',
                  '$',
                  '4999',
                  '00',
                  '$',
                  '2799',
                  '99'],

什么时候正确的输出应该是：2099

此外，我认为我的选择器根本没有抢到商品的价格。

Answer 1

首先，如果您想接收 SINGLE 值，则不需要使用 getall()（改用 get()。您的表达式不起作用的另一个原因是您应该使用 relative 路径（对于您的product 节点）：

product.xpath('.//div[@class="price-format__main-price"]/span/text()').getall()

接下来，没有简单的方法可以使用单个 XPath 表达式获得格式正确的价格（事实上，您可以为此使用 concat()），因为价格的整数和小数部分由 spans 分隔。 （对我来说）最简单的方法是获取整个值，然后将其格式化为小数部分：

product_price = response.xpath('normalize-space(//div[@id="zone-a-product"]//div[@class="price"])').re_first(r'\$(.+)')
# product_price is 209999

更新 试试这个 XPath：

response.xpath('normalize-space(//div[@class="price"])').re_first(r'\$(.+)')

Answer 2

首先，您尝试访问的类对于该特定价格标签不是唯一的，其次，即使您的类或 id 是唯一的，您仍然需要使用 extract_first() 或可能 get() ，如另一个答案中提到的提取第一个值。

# "price-detailed__wrapper" is the unique class slightly above price
# there is only one price tag inside this class so i will add another class inside xpath 
# Now '//text()' to get all the text inside all sub tags 

response.xpath('//div[@class="price-detailed__wrapper"]//div[@class="price"]//text()').extract()

#This expath will return a list of strings something like this

['$','2099','99']

#now join the list if 
productPrice = response.xpath('//div[@class="price-detailed__wrapper"]//div[@class="price"]//text()').extract()

productPrice = ''.join(productPrice)

#or if there is too much spaces use strip inside loop

productPrice = ''.join([x.strip() for x in productPrice])

Answer 3

productPrice = product.xpath('//div[@class="priceformat__mainprice"]/span/text()').getall()

在这里，xpath 不是应用于产品，而是应用于整个响应。

在 xpath 中，当我们在 xpath 选择器中搜索时，我们必须在 xpath 之前使用 .，如下所示：.//div[@class="price-format__mainprice"]/span/text()

而且产品的价格不在页面源中，因此它可能是通过另一个请求或 javascript 生成或获取的。那你就不能把它拉出这个页面了；您必须弄清楚如何分别获取和提取该信息。