- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
所以我让我的抓取工具可以处理一个表单请求。我什至可以看到终端打印出单页版本中的抓取数据:
class MySpider(BaseSpider):
name = "swim"
start_urls = ["example.website"]
DOWNLAD_DELAY= 30.0
def parse(self, response):
return [FormRequest.from_response(response,formname="TTForm",
formdata={"Ctype":"A", "Req_Team": "", "AgeGrp": "0-6",
"lowage": "", "highage": "", "sex": "W", "StrkDist": "10025",
"How_Many": "50", "foolOldPerl": ""}
,callback=self.swimparse1,dont_click=True)]
def swimparse1(self, response):
open_in_browser(response)
hxs = Selector(response)
rows = hxs.xpath(".//tr")
items = []
for rows in rows[4:54]:
item = swimItem()
item["names"] = rows.xpath(".//td[2]/text()").extract()
item["age"] = rows.xpath(".//td[3]/text()").extract()
item["free"] = rows.xpath(".//td[4]/text()").extract()
item["team"] = rows.xpath(".//td[6]/text()").extract()
items.append(item)
return items
但是,当我添加第二个表单请求回调时,它只会抓取第二个表单中的项目。它还只打印第二页的抓取,就好像它完全跳过第一页抓取一样? :
class MySpider(BaseSpider):
name = "swim"
start_urls = ["example.website"]
DOWNLAD_DELAY= 30.0
def parse(self, response):
return [FormRequest.from_response(response,formname="TTForm",
formdata={"Ctype":"A", "Req_Team": "", "AgeGrp": "0-6",
"lowage": "", "highage": "", "sex": "W", "StrkDist": "10025",
"How_Many": "50", "foolOldPerl": ""}
,callback=self.swimparse1,dont_click=True)]
def swimparse1(self, response):
open_in_browser(response)
hxs = Selector(response)
rows = hxs.xpath(".//tr")
items = []
for rows in rows[4:54]:
item = swimItem()
item["names"] = rows.xpath(".//td[2]/text()").extract()
item["age"] = rows.xpath(".//td[3]/text()").extract()
item["free"] = rows.xpath(".//td[4]/text()").extract()
item["team"] = rows.xpath(".//td[6]/text()").extract()
items.append(item)
#print item[]
return [FormRequest.from_response(response,formname="TTForm",
formdata={"Ctype":"A", "Req_Team": "", "AgeGrp": "0-6",
"lowage": "", "highage": "", "sex": "W", "StrkDist": "40025",
"How_Many": "50", "foolOldPerl": ""}
,callback=self.Swimparse2,dont_click=True),]
def swimparse2(self, response):
open_in_browser(response)
hxs = Selector(response)
rows = hxs.xpath(".//tr")
items = []
for rows in rows[4:54]:
item = swimItem()
item["names"] = rows.xpath(".//td[2]/text()").extract()
item["age"] = rows.xpath(".//td[3]/text()").extract()
item["fly"] = rows.xpath(".//td[4]/text()").extract()
item["team"] = rows.xpath(".//td[6]/text()").extract()
items.append(item)
#print item[]
return items
猜测:A)如何将第一次抓取中的项目导出或返回到第二次抓取中,以便最终将所有项目数据放在一起,就像从一页抓取一样?
B)或者如果第一个抓取被完全跳过,我怎样才能停止跳过并将这些项目传递到下一个?
谢谢!
PS:另外:我尝试过使用:
item = response.request.meta = ["item]
item = response.request.meta = []
item = response.request.meta = ["names":item, "age":item, "free":item, "team":item]
所有这些都会引发关键错误或其他异常
我还尝试修改表单请求以包含 meta={"names":item, "age":item, "free":item, "team":item}。不会引发错误,但不会抓取或存储任何内容。
编辑:我尝试使用这样的产量:
class MySpider(BaseSpider):
name = "swim"
start_urls = ["www.website.com"]
DOWNLAD_DELAY= 30.0
def parse(self, response):
open_in_browser(response)
hxs = Selector(response)
rows = hxs.xpath(".//tr")
items = []
for rows in rows[4:54]:
item = swimItem()
item["names"] = rows.xpath(".//td[2]/text()").extract()
item["age"] = rows.xpath(".//td[3]/text()").extract()
item["free"] = rows.xpath(".//td[4]/text()").extract()
item["team"] = rows.xpath(".//td[6]/text()").extract()
items.append(item)
yield [FormRequest.from_response(response,formname="TTForm",
formdata={"Ctype":"A", "Req_Team": "", "AgeGrp": "0-6",
"lowage": "", "highage": "", "sex": "W", "StrkDist": "10025",
"How_Many": "50", "foolOldPerl": ""}
,callback=self.parse,dont_click=True)]
for rows in rows[4:54]:
item = swimItem()
item["names"] = rows.xpath(".//td[2]/text()").extract()
item["age"] = rows.xpath(".//td[3]/text()").extract()
item["fly"] = rows.xpath(".//td[4]/text()").extract()
item["team"] = rows.xpath(".//td[6]/text()").extract()
items.append(item)
yield [FormRequest.from_response(response,formname="TTForm",
formdata={"Ctype":"A", "Req_Team": "", "AgeGrp": "0-6",
"lowage": "", "highage": "", "sex": "W", "StrkDist": "40025",
"How_Many": "50", "foolOldPerl": ""}
,callback=self.parse,dont_click=True)]
仍然没有抓取任何东西。我知道 xpath 是正确的,因为当我只尝试并抓取一种形式(使用返回而不是 yield )时,它工作得很好。我已经阅读了杂乱的文档,但它并不是很有帮助:(
最佳答案
您缺少一个非常简单的解决方案,请将 return
更改为 yield
然后,您不必在数组中累积项目,只需从函数中生成所需数量的项目和请求,scrapy 将完成剩下的工作
来自scrapy docs :
from scrapy.selector import Selector
from scrapy.spider import Spider
from scrapy.http import Request
from myproject.items import MyItem
class MySpider(Spider):
name = 'example.com'
allowed_domains = ['example.com']
start_urls = [
'http://www.example.com/1.html',
'http://www.example.com/2.html',
'http://www.example.com/3.html',
]
def parse(self, response):
sel = Selector(response)
for h3 in sel.xpath('//h3').extract():
yield MyItem(title=h3)
for url in sel.xpath('//a/@href').extract():
yield Request(url, callback=self.parse)
关于python - Scrapy跨多个表单请求页面存储项目?元? Python,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21323123/
我正在运行一个辅助角色,并检查 Azure 上托管的存储中是否存在数据。当我将连接字符串用于经典类型的存储时,我的代码可以正常工作,但是当我连接到 V2 Azure 存储时,它会抛出此异常。 “远程服
在我的应用程序的主页上,我正在进行 AJAX 调用以获取应用程序各个部分所需的大量数据。该调用如下所示: var url = "/Taxonomy/GetTaxonomyList/" $.getJSO
大家好,我正在尝试将我的商店导入我的 Vuex Route-Gard。 路由器/auth-guard.js import {store} from '../store' export default
我正在使用 C# 控制台应用程序 (.NET Core 3.1) 从 Azure Blob 存储读取大量图像文件并生成这些图像的缩略图。新图像将保存回 Azure,并将 Blob ID 存储在我们的数
我想将 Mlflow 设置为具有以下组件: 后端存储(本地):在本地使用 SQLite 数据库存储 Mlflow 实体(run_id、params、metrics...) 工件存储(远程):使用 Az
我正在使用 C# 控制台应用程序 (.NET Core 3.1) 从 Azure Blob 存储读取大量图像文件并生成这些图像的缩略图。新图像将保存回 Azure,并将 Blob ID 存储在我们的数
我想将 Mlflow 设置为具有以下组件: 后端存储(本地):在本地使用 SQLite 数据库存储 Mlflow 实体(run_id、params、metrics...) 工件存储(远程):使用 Az
我的 Windows 计算机上的本地文件夹中有一些图像。我想将所有图像上传到同一容器中的同一 blob。 我知道如何使用 Azure Storage SDKs 上传单个文件BlockBlobServi
我尝试发出 GET 请求来获取我的 Azure Blob 存储帐户的帐户详细信息,但每次都显示身份验证失败。谁能判断形成的 header 或签名字符串是否正确或是否存在其他问题? 代码如下: cons
这是用于编写 JSON 的 NeutralinoJS 存储 API。是否可以更新 JSON 文件(推送数据),而不仅仅是用新的 JS 对象覆盖数据。怎么做到的??? // Javascript
我有一个并行阶段设置,想知道是否可以在嵌套阶段之前运行脚本,所以像这样: stage('E2E-PR-CYPRESS') { when { allOf {
我想从命令行而不是从GUI列出VirtualBox VM的详细信息。我对存储细节特别感兴趣。 当我在GUI中单击VM时,可以看到包括存储部分在内的详细信息: 但是到目前为止,我还没有找到通过命令行执行
我有大约 3500 个防洪设施,我想将它们表示为一个网络来确定流动路径(本质上是一个有向图)。我目前正在使用 SqlServer 和 CTE 来递归检查所有节点及其上游组件,只要上游路径没有 fork
谁能告诉我 jquery data() 在哪里存储数据以及何时删除以及如何删除? 如果我用它来存储ajax调用结果,会有性能问题吗? 例如: $("body").data("test", { myDa
有人可以建议如何为 Firebase 存储中的文件设置备份。我能够备份数据库,但不确定如何为 firebase 存储中的文件(我有图像)设置定期备份。 最佳答案 如何进行 Firebase 存储的本地
我最近开始使用 firebase 存储和 firebase 功能。现在我一直在开发从功能到存储的文件上传。 我已经让它工作了(上传完成并且文件出现在存储部分),但是,图像永远保持这样(永远在右侧加载)
我想只允许用户将文件上传到他们自己的存储桶中,最大文件大小为 1MB,仍然允许他们删除文件。我添加了以下内容: match /myusers/{userId}/{allPaths=**} { al
使用生命周期管理策略将容器的内容从冷访问层移动到存档。我正在尝试以下策略,希望它能在一天后将该容器中的所有文件移动到存档层,但事实并非如此在职的。我设置了选择标准“一天未使用后”。 这是 json 代
对于连接到 Azure 存储端点,有 http 和 https 两个选项。 第一。 https 会带来开销,可能是 5%-10%,但我不支付同一个数据中心的费用。 第二。 http 更快,但 Auth
有人可以帮我理解这一点吗?我创建了Virtual Machine in Azure running Windows Server 2012 。我注意到 Azure 自动创建了一个存储帐户。当我进入该存
我是一名优秀的程序员,十分优秀!