Scrapy脚本，如何找到特定的关键字并返回或打印url

Question

好的，所以我必须完全编辑它。我已经让脚本部分工作，我可以毫无问题地启动它，这是脚本。粘贴链接在这里：http://pastebin.com/SKa5Wh1h 你可以看到我在 cmd 行中得到了什么。我确定正在搜索的关键字在这些链接中，因为我也尝试了其他词，但它没有下载它们。

import scrapy

import requests
from scrapy.http import Request

import scrapy
from FinalSpider.items import Page  # Defined in items.py

URL = "http://url.com=%d"
starting_number = 60000
number_of_pages = 100
class FinalSpider(scrapy.Spider):
name = "FinalSpider"
allowed_domains = ['url.com']
start_urls = [URL % starting_number]

def __init__(self):
    self.page_number = starting_number
def start_request(self):
    # generate page IDs from 1000 down to 501
    for i in range (self.page_number, number_of_pages, -1):
        yield Request(url = URL % i, callback=self.parse)


def parse(self, response):
    for link in response.xpath('//a[text()="Amount"]/@href').extract():
        yield Page(url=link)

Answer 1

你在这里问两件事，

1. 如何提取一些元素？

您提供的 xpath response.xpath('//100.00()') 是无效的 xpath 表达式。

如果您想在文本中查找带有一些子字符串的a 标记，例如<a href="something"> 100.00 </a>，则正确的xpath 将是'//a[contains(text(), "100.00")]'。注意contains的使用，如果你有exact文本，你可以使用'//a[text() == "100.00"]'。

1. 找到的元素有什么用？

在 Scrapy 中，通常会创建一个 Item 类来保存您已废弃的数据，这些数据由您定义的 Fields 进行逻辑结构化。

首先，您创建一个Item 子类，其中包含一个url Field，并在您的蜘蛛中，return 或yield 一个该Item 的新实例，并设置了字段url到您在页面中找到的值。

把所有这些放在一起，

你要创建一个Item，如图here：

import scrapy

class Page(scrapy.Item):
    url = scrapy.Field()

然后，在您的蜘蛛程序中，从 response 对象中提取所有有意义的数据。查看示例here 感受一下。但总的来说，你的代码会是这样的，

import scrapy
from myproject.items import Page  # Defined in items.py

class MySpider(scrapy.Spider):
    [...]

    def parse(self, response):
        for link in response.xpath('//a[text()="100.00"]/@href').extract():
            yield Page(url=link)