- 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
我想从 http://www.nyhistory.org/programs/upcoming-public-programs
中抓取所有事件数据。事件分页,每页 5 个事件。我创建了两条规则:一条遵循下一页,另一条遵循事件的详细信息页面。因此,我希望蜘蛛首先输入每个事件的 url,从那里收集我需要的所有数据,然后进入下一页,输入每个事件的 url 等等。但是,由于某种原因,我的蜘蛛仅访问每个页面中的一个事件,而且这只是第一个事件。请参阅下面我的代码
import scrapy
from nyhistory.items import EventItem
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from datetime import datetime
from w3lib.html import remove_tags
from scrapy.selector import Selector
import re
class NyhistorySpider(CrawlSpider):
name = "events"
start_urls = ['http://www.nyhistory.org/programs/upcoming-public-programs',]
rules = [Rule(LinkExtractor(allow='.*?page=.*',restrict_xpaths='//li[@class="pager-next"]'), follow=True),
Rule(LinkExtractor(restrict_xpaths='//div[@class="view-content"]/div[contains(@class,"views-row")]'), callback='parse_event_details',follow=True),
]
def parse_event_details(self, response):
base_url = 'http://www.nyhistory.org'
item = EventItem()
item['title'] = response.xpath('//div[@class="views-field-title"]//text()')[2].extract()
item['eventWebsite'] = response.url
details_area = response.xpath('//div[@class="body-programs"]')
details_area_str = " ".join(details_area.extract())
details_area_str_split = re.split('EVENT DETAILS|LOCATION|PURCHASING TICKETS', details_area_str)
speakers_names_area = details_area_str_split[1]
speakersNames = Selector(text=speakers_names_area).xpath('strong').extract()
try:
item['speaker1FirstName'] = speakersNames[0].split()[0]
item['speaker1LastName'] = speakersNames[0].split()[1]
except:
item['speaker1FirstName'] = ''
item['speaker1LastName'] = ''
description = remove_tags(details_area_str_split[1]).strip()
item['description'] = description
try:
address_line = remove_tags(details_area_str_split[2]).strip()
item['location'] = address_line.split(',')[0]
item['city'] = address_line.split(',')[-2].strip()
item['state'] = address_line.split(',')[-1].split()[0]
item['zip'] = address_line.split(',')[-1].split()[1]
item['street'] = address_line.split(',')[1].strip()
except:
item['location'] = ''
item['city'] = ''
item['state'] = ''
item['zip'] = ''
item['street'] = ''
try:
item['dateFrom'] = self.date_converter(response.xpath('//span[@class="date-display-single"]/text()').extract_first(default='').rstrip(' - '))
except:
try:
item['dateFrom'] = response.xpath('//span[@class="date-display-single"]/text()').extract()[1].split('|')[0]
except:
item['dateFrom'] = ''
try:
item['startTime'] = self.time_converter(response.xpath('//span[@class="date-display-start"]/text()')[1].extract())
# item['endTime'] = self.time_converter(response.xpath('//span[@class="date-display-end"]/text()')[1].extract())
except:
try:
item['startTime'] = self.time_converter(response.xpath('//span[@class="date-display-single"]/text()').extract()[1].split(' | ')[1])
except:
item['startTime'] = ''
item['In_group_id'] = ''
try:
item['ticketUrl'] = base_url + response.xpath('//a[contains(@class,"btn-buy-tickets")]/@href').extract_first()
except:
item['ticketUrl'] = ''
item['eventImage'] = response.xpath('//div[@class="views-field-field-speaker-photo-1"]/div/div/img/@src').extract_first(default='')
item['organization'] = "New York Historical Society"
yield item
@staticmethod
def date_converter(raw_date):
try:
raw_date_datetime_object = datetime.strptime(raw_date.replace(',',''), '%a %m/%d/%Y')
final_date = raw_date_datetime_object.strftime('%d/%m/%Y')
return final_date
except:
raw_date_datetime_object = datetime.strptime(raw_date.replace(',','').replace('th','').strip(), '%a %B %d %Y')
final_date = raw_date_datetime_object.strftime('%d/%m/%Y')
return final_date
@staticmethod
def time_converter(raw_time):
raw_time_datetime_object = datetime.strptime(raw_time, '%I:%M %p')
final_time = raw_time_datetime_object.strftime('%I:%M %p')
return final_time
最佳答案
使用CrawlSpider
时,规则如您所提到的,遵循相应的链接“直到”您找到您真正想要获得的项目。
但是,蜘蛛(或规则)如何知道何时停止?这是为了使用 callback
和 follow
属性。如果您使用callback
,则不需要follow
(因为callback
指定该链接需要作为响应处理) ,如果您使用follow
,则不需要callback
,因为它告诉蜘蛛继续寻找新链接。
您必须定义更好的规则,并指定要遵循
的规则以及返回回调
的规则。
关于python - Scrapy 蜘蛛每页仅抓取一个链接,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47963650/
我有一个网站,并且我使用 javascript sdk 添加了“点赞”按钮。 这是代码 (function(d, s, id) { var js, fjs = d.g
我知道 HTML 是逐行读取的。当您链接多个 css 文件(如规范化文件和样式表文件)时,由于 CSS 重要性特异性和源顺序,样式表文件应链接在规范化文件之后。看起来这不会影响链接的 JavaScri
我正在使用官方 Bootstrap site 提供的 CDN 链接在我的网络应用程序中使用面板进行测试 在彻底检查我的代码后,面板没有显示。 但是我在 SO 上看到了类似的帖子并且 CDN 链接不同
这里是编码初学者。我正在尝试为我的移动设备网站设置断点,以便我的网站适合小屏幕。我只是想检查如果我缩小视口(viewport)的宽度,背景颜色是否会改变,但没有发生任何变化。也许我只是对一个简单的错误
举一个我想要的例子,想象一下这个字符串: $text = 'lorem ipsum About us lorem ipsum'; 如果此字符串包含一个 href 以 / 开头的 anchor 链接,则
如何链接到 LaTeX 文档的另一部分或子部分?这种链接的常规范式是什么,像[链接名称]那样写,或者像网页超链接那样写? 最佳答案 链接到另一个部分需要您的部分进行一些额外的标记。要使用的命令是: \
我有一个订单表,其中包含订单号、客户 ID 和代理 ID。然后有一个带有 id 的客户表和一个带有 id 的代理表。 我需要获取所有具有来自代理 ID 'a03' 和代理 ID 'a05' 的订单的客
假设我有: dic = {"z":"zv", "a":"av"} ## Why doesn't the following return a sorted list of keys? keys = d
我在尝试链接到外部库时得到了一些奇怪的结果。如果我从命令行运行以下命令: gcc fftwTest.c -I../extlib/fftw-3.3.5-dll32 -L../extlib/fftw-3.
我认为我没有正确理解 jQuery 链接。我正在遍历一个数组并尝试将 div 元素添加到我的包装器 CSS 类中,每个 div 元素都有一个“click”类和自定义 css top 和 left 属性
HTML 使用超级链接与网络上的另一个文档相连。几乎可以在所有的网页中找到链接。点击链接可以从一张页面跳转到另一张页面。 HTML 超链接(链接) HTML使用标签 a 来设置超文本链接。 超链
这个问题在这里已经有了答案: How do I link to part of a page? (hash?) (7 个答案) Scroll Automatically to the Bottom
我想创建一个 Docker Swarm 集群,运行一个 Elasticsearch 实例、一个 MongoDB 实例和一个 grails 应用程序,每个都在单独的机器上。我正在使用 Docker Ma
我正在尝试将 CakePHP HTML Linker 用于以下代码 Add Cuisine 由于 span 标签需要在 a 标签内。我无法根据需要获得输出。关于如何完成它的任何建议? 最佳答案 禁用链
大家好, 我最近开发了一个应用程序,很快就会提交到 App Store。我想免费提交这个应用程序,并想知道我是否可以实现一个带有 PayPal 捐赠标志的按钮,上面基本上写着“捐赠用于开发”或与此相关
我想尝试在 dlang 中使用 libuv。我下载了这样的 dlang 绑定(bind): git clone git@github.com:tamediadigital/libuv.git 现在我接
我有一个节点(节点 a),各种其他节点(节点 b/c/d/e)与之引用。 我可以创建一个带有参数的 View 作为我正在查看的节点(节点 a),并获取引用该节点的节点列表。 基本上在节点 a 查看节点
我正在尝试建立一个常见问题页面,上面有目录,下面有答案。我想点击目录中的一个问题,并在同一页面上链接到相应的答案。我如何在 CakePHP 中使用 $this->Html->link() 执行此操作方
在 WooCommerce 3.0+ 中,我使用 js 创建了一些选项卡,每个选项卡中包含来自不同类别的产品。我已经设法修改了简单产品的添加到购物车链接,其中点击了 addtocart 按钮它进入下一
Delphi 2007/2009 奇怪的问题在这里: 根据设计时定义的组件属性,是否可以在链接中包含文件或保留文件? 示例:如果我将 SomeProperty 保留为真,则在编译时,单元 SomeUn
我是一名优秀的程序员,十分优秀!