- 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?
我正在尝试解析页面上每个广告的各种数据项,例如 https://www.pistonheads.com/classifieds?Category=used-cars&M=1044&ResultsPerPage=750
我的代码正确捕获了大部分项目。但是,我遇到了两个问题:
年份
列中的输出都是相同的。尽管 xpath
与 title
列中使用的完全相同并且可以正常工作,但还是会发生这种情况。Transmission
值,该值不正确,因为并非所有广告都填充了此变量。 对我的代码的一般评论也表示赞赏。也许我应该为此使用 ItemLoaders
? (我还没学会它们是如何工作的)。
import scrapy
from datetime import date
class SuperScraper(scrapy.Spider):
name = 'ss22'
def start_requests(self):
urls = 'https://www.pistonheads.com/classifieds?Category=used-cars&M=1044&ResultsPerPage=750'
yield scrapy.Request(urls, callback = self.parse_data)
def parse_data( self, response ):
advert = response.xpath( '//*[@class="ad-listing"]')
title = advert.xpath( './/*[@class="listing-headline"]//h3/text()' ).extract()
year = advert.xpath( './/*[@class="listing-headline"]//h3/text()' ).extract()
price = advert.xpath( './/*[@class="price"]/text()' ).extract()
mileage = advert.xpath( './/*[contains(@class, "flaticon solid gauge-1")]/following-sibling::text()' ).extract()
mileage = [item.strip() for item in mileage]
mileage = [item.replace(',','') for item in mileage]
mileage = [item.replace(' miles','') for item in mileage]
timestamp = str(date.today()).split('.')[0]
timestamps = [timestamp for i in range(len(title))]
model = response.xpath('//head/title/text()').extract()
model = [item.replace("Used ","") for item in model]
model = [item.replace(" cars for sale with PistonHeads","") for item in model]
models = [model for i in range(len(title))]
transmission = advert.xpath('.//*[contains(@class, "flaticon solid location-pin-4")]/following-sibling::text()').extract()
transmission = [item.strip() for item in transmission]
link = advert.xpath( './/*[@class="listing-headline"]/a/@href' ).extract()
link = ['https:\\www.pistonheads.com' + i for i in link]
for item in zip(timestamps,link,models,title,year,price,mileage,transmission):
price_data = {
'timestamp' : item[0],
'link' :item[1],
'model' : item[2],
'title' : item[3],
'year' : year[4],
'price' : item[5],
'mileage' : item[6],
'transmission' :item[7]
}
yield price_data
最佳答案
您有'year':year[4],
所以是的,它总是会给您相同的值。
由于您有 70 个传输和 73 个项目,因此 zip 以错误的方式将传输合并到项目。因此,我建议您这样做:
class SuperScraper(scrapy.Spider):
name = 'ss22'
def start_requests(self):
urls = 'https://www.pistonheads.com/classifieds?Category=used-cars&M=1044&ResultsPerPage=750'
yield scrapy.Request(urls, self.parse_data)
def parse_data( self, response ):
model = response.xpath('//head/title/text()').get('')
model = model.replace("Used ", "").replace(" cars for sale with PistonHeads", "")
for row in response.xpath('//*[@class="ad-listing"]'):
transmisson = row.xpath('.//*[contains(@class, "flaticon solid location-pin-4")]/following-sibling::text()').get('')
mileage = row.xpath('.//*[contains(@class, "flaticon solid gauge-1")]/following-sibling::text()').get('')
price_data = {
'timestamp': str(date.today()).split('.')[0],
'link': 'https://www.pistonheads.com' + row.xpath('.//*[@class="listing-headline"]/a/@href').get(''),
'model': model,
'title': row.xpath('.//*[@class="listing-headline"]//h3/text()').get('').strip(),
'year': row.xpath('.//*[@class="listing-headline"]//h3/text()').get(''),
'price': row.xpath('.//*[@class="price"]/text()').get('').strip(),
'mileage': mileage.replace(',', '').replace(' miles', '').strip(),
'transmission': transmisson.strip(),
}
yield price_data
这里我们按项目进行迭代,因此我们永远不会错过该项目是否出现传输。
关于python - Scrapy 重复结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56225394/
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!