- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在尝试使用以下代码从 MIT OCW 中删除类(class)信息:
import scrapy
class mitSpider(scrapy.Spider):
name = 'mitSpider'
start_urls = ['https://ocw.mit.edu/courses/']
def parse(self, response):
for url in response.css('ul li h4 a::attr("href")'):
yield scrapy.Request(response.url, self.parse_desc)
def parse_desc(self, response):
for course_desc in response.css('div#description p::text').extract():
yield{'Description': course_desc}
但我没有得到任何返回。我得到的输出是(我安装了 service_identity,但收到了消息):
:0 UserWarning: You do not have a working installation of the service_identity module:
'cannot import name 'opentype''.
Please install it from <https://pypi.python.org/pypi/service_identity>
and make sure all of its dependencies are satisfied. Without the
service_identity module, Twisted can perform only rudimentary TLS client
hostname verification. :0: Many valid certificate/hostname mappings
may be rejected. 2018-03-21 17:40:14 [scrapy.utils.log]
INFO: Scrapy 1.5.0 started (bot: mitcrawler)
2018-03-21 17:40:14 [scrapy.utils.log] INFO:
Versions: lxml 3.7.2.0, libxml2 2.9.4, cssselect 1.0.3, parsel 1.4.0,
w3lib 1.19.0, Twisted 17.9.0, Python 3.6.0 |Anaconda custom (64-bit)|
(default, Dec 23 2016, 11:57:41) [MSC v.1900 64 bit (AMD64)], pyOpenSSL
16.2.0 (OpenSSL 1.0.2k 26 Jan 2017), cryptography 1.7.1, Platform Windows-
10-10.0.16299-SP0 2018-03-21 17:40:14 [scrapy.crawler]
INFO: Overridden settings: {'BOT_NAME': 'mitcrawler', 'NEWSPIDER_MODULE':
'mitcrawler.spiders', 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES':
['mitcrawler.spiders']}
2018-03-21 17:40:14 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.logstats.LogStats']
2018-03-21 17:40:14 [scrapy.middleware] INFO: Enabled downloader
middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2018-03-21 17:40:14 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2018-03-21 17:40:14 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2018-03-21 17:40:14 [scrapy.core.engine] INFO: Spider opened
2018-03-21 17:40:14 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0
pages/min), scraped 0 items (at 0 items/min)
2018-03-21 17:40:14 [scrapy.extensions.telnet] DEBUG: Telnet console
listening on 127.0.0.1:6023
2018-03-21 17:40:14 [scrapy.core.engine] INFO: Closing spider (finished)
2018-03-21 17:40:14 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'finish_reason': 'finished',
'log_count/DEBUG': 1,
'log_count/INFO': 7,
'start_time': datetime.datetime(2018, 3, 21, 6, 40, 14, 762492)}
2018-03-21 17:40:14 [scrapy.core.engine] INFO: Spider closed (finished)
我尝试按原样运行 scrapy 网站上提供的示例代码,但它也不起作用。所以问题可能不是代码本身。但我无法弄清楚问题是什么。请帮忙!
最佳答案
您正在尝试重新抓取相同的 resonse.url
,请尝试使用循环中的 url
:
import scrapy
class mitSpider(scrapy.Spider):
name = 'mitSpider'
start_urls = ['https://ocw.mit.edu/courses/']
def parse(self, response):
for href in response.css('ul li h4 a::attr(href)'):
url = response.urljoin(href.extract())
yield scrapy.Request(url, self.parse_desc)
def parse_desc(self, response):
for course_desc in response.css('div#description p::text').extract():
yield{'Description': course_desc}
关于python - 使用Scrapy爬取MIT OCW网站,但输出为空,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49400067/
在一个 scrapy 项目中,人们经常使用中间件。在交互式 session 期间是否也有一种通用方法可以在 scrapy shell 中启用中间件? 最佳答案 尽管如此,在 setting.py 中设
我想对网页中向下滚动生成的内容进行反向工程。问题出在url https://www.crowdfunder.com/user/following_page/80159?user_id=80159&li
我需要帮助将相对URL转换为Scrapy Spider中的绝对URL。 我需要将起始页面上的链接转换为绝对URL,以获取起始页面上已草稿的项目的图像。我尝试使用不同的方法来实现此目标失败,但是我陷入了
我在 Scrapy Python 中制作了一个脚本,它在几个月内一直运行良好(没有更改)。最近,当我在 Windows Powershell 中执行脚本时,它引发了下一个错误: scrapy craw
我已经从 docker 启动了 splash。我为 splash 和 scrapy 创建了大的 lua 脚本,然后它运行我看到了问题: Lua error: error in __gc metamet
我正在使用scrapy 来抓取网站,但发生了不好的事情(断电等)。 我想知道我怎样才能从它坏了的地方继续爬行。我不想从种子开始。 最佳答案 这可以通过将预定的请求持久化到磁盘来完成。 scrapy c
有人可以向我解释一下 Scrapy 中的暂停/恢复功能是如何实现的吗?作品? scrapy的版本我正在使用的是 0.24.5 documentation没有提供太多细节。 我有以下简单的蜘蛛: cla
我想将 apscheduler 与 scrapy.but 我的代码是错误的。 我应该如何修改它? settings = get_project_settings() configure_logging
我正在抓取一个网站并解析一些内容和图像,但即使对于 100 页左右的简单网站,完成这项工作也需要数小时。我正在使用以下设置。任何帮助将不胜感激。我已经看过这个问题- Scrapy 's Scrapyd
我正在抓取一个网站并解析一些内容和图像,但即使对于 100 页左右的简单网站,完成这项工作也需要数小时。我正在使用以下设置。任何帮助将不胜感激。我已经看过这个问题- Scrapy 's Scrapyd
我是爬行新手,想知道是否可以使用 Scrapy 逐步爬行网站,例如 CNBC.com?例如,如果今天我从一个站点抓取所有页面,那么从明天开始我只想收集新发布到该站点的页面,以避免抓取所有旧页面。 感谢
我是scrapy的新手。我正在尝试从 here 下载图像.我在关注 Official-Doc和 this article . 我的 settings.py 看起来像: BOT_NAME = 'shop
我在使用 scrapy 时遇到了一些问题。它没有返回任何结果。我试图将以下蜘蛛复制并粘贴到 scrapy shell 中,它确实有效。真的不确定问题出在哪里,但是当我用“scrapy crawl rx
如何使用 Scrapy 抓取多个 URL? 我是否被迫制作多个爬虫? class TravelSpider(BaseSpider): name = "speedy" allowed_d
当我使用splash渲染整个目标页面来爬取整个网站时出现问题。某些页面不是随机成功的,所以我错误地获取了支持渲染工作完成后出现的信息。这意味着我尽管我可以从其他渲染结果中获取全部信息,但仅从渲染结果中
如何使用 Scrapy 抓取多个 URL? 我是否被迫制作多个爬虫? class TravelSpider(BaseSpider): name = "speedy" allowed_d
我的scrapy程序无论如何只使用一个CPU内核CONCURRENT_REQUESTS我做。 scrapy中的某些方法是否可以在一个scrapy爬虫中使用所有cpu核心? ps:好像有争论max_pr
我最近用 python 和 Selenium 做了一个网络爬虫,我发现它做起来非常简单。该页面使用 ajax 调用来加载数据,最初我等待固定的 time_out 来加载页面。这工作了一段时间。之后,我
我想用这个命令运行 scrapy 服务器: scrapy server 它失败了,因为没有项目。然后我创建一个空项目来运行服务器,并成功部署另一个项目。但是,scrapy 服务器无法处理这个项目,并告
我正在创建一个网络应用程序,用于从不同网站抓取一长串鞋子。这是我的两个单独的 scrapy 脚本: http://store.nike.com/us/en_us/pw/mens-clearance-s
我是一名优秀的程序员,十分优秀!