scrapy-解析分页的项目

  • Z时代
  • 2024-01-10
  • 分类：问答

我有一个形式的网址：

example.com/foo/bar/page_1.html

总共有53页，每页约20行。

我基本上想从所有页面中获取所有行，即〜53 * 20个项目。

我的parse方法中有有效的代码，该代码分析单个页面，每个项目也深入一页，以获取有关该项目的更多信息：

  def parse(self, response):
    hxs = HtmlXPathSelector(response)
    restaurants = hxs.select('//*[@id="contenido-resbus"]/table/tr[position()>1]')
    for rest in restaurants:
      item = DegustaItem()
      item['name'] = rest.select('td[2]/a/b/text()').extract()[0]
      # some items don't have category associated with them
      try:
        item['category'] = rest.select('td[3]/a/text()').extract()[0]
      except:
        item['category'] = ''
      item['urbanization'] = rest.select('td[4]/a/text()').extract()[0]
      # get profile url
      rel_url = rest.select('td[2]/a/@href').extract()[0]
      # join with base url since profile url is relative
      base_url = get_base_url(response)
      follow = urljoin_rfc(base_url,rel_url)
      request = Request(follow, callback = parse_profile)
      request.meta['item'] = item
      return request
  def parse_profile(self, response):
    item = response.meta['item']
    # item['address'] = figure out xpath
    return item

问题是，如何爬行每个页面？

example.com/foo/bar/page_1.html
example.com/foo/bar/page_2.html
example.com/foo/bar/page_3.html
...
...
...
example.com/foo/bar/page_53.html

回答：

你有两种选择可以解决你的问题。一般的做法是使用yield来生成新请求return。这样，你可以从单个回调中发出多个新请求。

在你的情况下，可能有一个更简单的解决方案：只需从这样的模式中生成启动urs列表：

class MySpider(BaseSpider):
    start_urls = ['http://example.com/foo/bar/page_%s.html' % page for page in xrange(1,54)]

以上是 scrapy-解析分页的项目 的全部内容， 来源链接： utcz.com/qa/422140.html

回到顶部