- 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?
我正在尝试学习 Scrapy,并且正在 yelp 网站上学习这个LINK但是当 scrapy 运行时,它会一遍又一遍地抓取相同的电话、地址,而不是抓取不同的部分。我使用的选择器是属于页面每个餐厅的特定类的所有“li”标签,每个li标签包含我使用适当选择器的每个餐厅信息,但scrapy只给我2或3家餐厅重复的结果。由于某些原因,Scrapy 一遍又一遍地使用相同的部分,而当它们在 for 循环中完成后它应该跳过它们。 这是代码
try:
import scrapy
from urlparse import urljoin
except ImportError:
print "\nERROR IMPORTING THE NESSASARY LIBRARIES\n"
#scrapy.optional_features.remove('boto')
url = raw_input('ENTER THE SITE URL : ')
class YelpSpider(scrapy.Spider):
name = 'yelp spider'
start_urls = [url]
def parse(self, response):
SET_SELECTOR = '.regular-search-result'
#Going over each li tags containg each resturant belonging to this class
for yelp in response.css(SET_SELECTOR):
#getting a slector to get a link to scrape website info from another page
selector = '.indexed-biz-name a ::attr(href)'
#getting the complete url joining the extracted part
momo = urljoin(response.url, yelp.css(selector).extract_first())
#All the selectors
name = '.indexed-biz-name a span ::text'
services = '.category-str-list a ::text'
address1 = '.neighborhood-str-list ::text'
address2 = 'address ::text'
phone = '.biz-phone ::text'
# extracting them and adding them in a dict
try:
add1 = response.css(address1).extract_first().replace('\n','').replace('\n','')
add2 = response.css(address2).extract_first().replace('\n','').replace('\n','')
ADDRESS = add1 + ' ' + add2
pookiebanana = {
"PHONE": response.css(phone).extract_first().replace('\n','').replace('\t',''),
"NAME": response.css(name).extract_first().replace('\n','').replace('\t',''),
"SERVICES": response.css(services).extract_first().replace('\n','').replace('\t',''),
"ADDRESS": ADDRESS,
}
except:
pass
#Opening another page passing the old dict
Post = scrapy.Request(momo, callback=self.parse_yelp, meta={'item': pookiebanana})
#yielding the dict with the website scraped
yield Post
#Clicking the next button and recursively calling the same function with the same link
NEXT_PAGE_SELECTOR = '.u-decoration-none.next.pagination-links_anchor ::attr(href)'
next_page = response.css(NEXT_PAGE_SELECTOR).extract_first()
if next_page:
yield scrapy.Request(
response.urljoin(next_page),
callback=self.parse
)
def parse_yelp(self, response):
#Website selector opening a new page from the link we extracted
WEBSITE_SELECTOR = '.biz-website.js-add-url-tagging a ::text'
item = response.meta['item']
#inside the try block extracting the website info and returning the modified dict
try:
item['WEBSITE'] = ' '.join(response.css(WEBSITE_SELECTOR).extract_first().split(' '))
except:
pass
return item
我在代码中广泛评论了我在哪里做了什么。我做错了什么?
最佳答案
我无法测试它,但在 for yelp
循环中,您应该使用 yelp.css()
但您使用 response.css()
关于Python Scrapy 只一遍又一遍地抓取相同的元素,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43091965/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!