使用scrapy获取URL列表，然后在这些URL中抓取内容

Z时代
2024-01-10
分类：问答

我需要一个Scrapy Spider来为每个URL（30个产品，所以30个URL）抓取以下页面（https://www.phidgets.com/?tier=1&catid=64&pcid=57），然后通过该URL进入每个产品并抓取其中的数据。

我的第二部分完全按照我的意愿工作：

import scrapy
class ProductsSpider(scrapy.Spider):
    name = "products"
    start_urls = [
        'https://www.phidgets.com/?tier=1&catid=64&pcid=57',
    ]
    def parse(self, response):
        for info in response.css('div.ph-product-container'):
            yield {
                'product_name': info.css('h2.ph-product-name::text').extract_first(),
                'product_image': info.css('div.ph-product-img-ctn a').xpath('@href').extract(),
                'sku': info.css('span.ph-pid').xpath('@prod-sku').extract_first(),
                'short_description': info.css('div.ph-product-summary::text').extract_first(),
                'price': info.css('h2.ph-product-price > span.price::text').extract_first(),
                'long_description': info.css('div#product_tab_1').extract_first(),
                'specs': info.css('div#product_tab_2').extract_first(),
            }
        # next_page = response.css('div.ph-summary-entry-ctn a::attr("href")').extract_first()
        # if next_page is not None:
        #     yield response.follow(next_page, self.parse)

但是我不知道如何做第一部分。如你所见，我将主页（https://www.phidgets.com/?tier=1&catid=64&pcid=57）设置为start_url。但是，如何获取我需要抓取的所有30个网址填充到start_urls列表中呢？

回答：

我目前无法测试，所以请告诉我这是否对你有用，因此如果有任何错误，我可以对其进行编辑。

这里的想法是，我们在首页中找到每个链接，并通过将你的产品解析方法作为回调传递新的scrapy请求

import scrapy
from urllib.parse import urljoin
class ProductsSpider(scrapy.Spider):
    name = "products"
    start_urls = [
        'https://www.phidgets.com/?tier=1&catid=64&pcid=57',
    ]
    def parse(self, response):
        products = response.xpath("//*[contains(@class, 'ph-summary-entry-ctn')]/a/@href").extract()
        for p in products:
            url = urljoin(response.url, p)
            yield scrapy.Request(url, callback=self.parse_product)
    def parse_product(self, response):
        for info in response.css('div.ph-product-container'):
            yield {
                'product_name': info.css('h2.ph-product-name::text').extract_first(),
                'product_image': info.css('div.ph-product-img-ctn a').xpath('@href').extract(),
                'sku': info.css('span.ph-pid').xpath('@prod-sku').extract_first(),
                'short_description': info.css('div.ph-product-summary::text').extract_first(),
                'price': info.css('h2.ph-product-price > span.price::text').extract_first(),
                'long_description': info.css('div#product_tab_1').extract_first(),
                'specs': info.css('div#product_tab_2').extract_first(),
            }