- 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
你好,
我正在尝试使用 Scrapy 抓取 GitHub。它在大多数情况下都有效,但有些页面在页面本身加载完成后加载“贡献者”。当 Scrapy 遇到这样的页面时,它会抛出以下错误:AttributeError: 'NoneType' 对象没有属性 'strip'
并丢弃该 URL 中的所有其他内容。
有没有办法在“yield”中创建一个异常,以便 Scrapy 将“None”放入生成的 .CSV 而不是丢弃所有数据?
相关代码如下:
rules = [
Rule(LinkExtractor(allow=('Repositories'), restrict_xpaths=('//a[@rel="next"]'))),
Rule(LinkExtractor(allow=('github'), restrict_xpaths=('//h3/a[@class="v-align-middle"]')), callback='parse_project'),
Rule(LinkExtractor(allow=('commits/master'), restrict_xpaths=('//*[@class="commits"]/a')), follow=True, callback='parse_commits_page'),
Rule(LinkExtractor(deny=('\+174'), restrict_xpaths=('//a[contains(text(), "Older")]')), follow=True, callback='parse_commits_page')
]
# Parse the main page of the project
def parse_project(self, response):
yield {
'author': response.xpath('//a[@rel="author"]/text()').extract(),
'name': response.xpath('//strong[@itemprop="name"]/a/text()').extract(),
'tags': [x.strip() for x in response.xpath('//a[contains(@class, "topic-tag")]/text()').extract()],
'about': response.xpath('//*[@itemprop="about"]/text()').extract_first().strip(),
'lang_name': response.xpath('//span[@class = "lang"]/text()').extract(),
'lang_perc' : response.xpath('//span[@class = "percent"]/text()').extract(),
'stars': response.xpath('//a[contains(@aria-label, "starred")]/text()').extract_first().strip(),
'forks': response.xpath('//a[contains(@aria-label, "forked")]/text()').extract_first().strip(),
'commits': response.xpath('//a[contains(., "commits")]/span/text()').extract_first().strip(),
'contributors': response.xpath('//a[contains(., "contributor")]/span/text()').extract_first().strip(),
'last_commits': None
}
特别是“贡献者”:response.xpath('//a[contains(., "contributor")]/span/text()').extract_first().strip(),
是给我带来麻烦的部分,也是我想要异常(exception)的地方。
附言我还尝试使用“scrapy-splash”让它等待页面
def pre_parse_project(self, response):
yield scrapy_splash.SplashRequest(response.url, self.parse_project,
args={
'wait': 4,
}
)
但问题仍然存在,所以我想至少获取所有可能的数据并填充使用 API 的贡献者数量。
最佳答案
代替:
yield {
'contributors': response.xpath(selector)\
.extract_first()\
.strip(),
}
您可以使用默认
参数(这样它就不会返回None):
yield {
'contributors': response.xpath(selector)\
.extract_first(default='')\
.strip(),
}
关于javascript - 如何为 Scrapy 在 "yield"内设置异常?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52059893/
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!