Parsing 不带下一个链接的Scrapy parse分页
我试图在没有下一个链接的情况下解析分页。html如下所示:Parsing 不带下一个链接的Scrapy parse分页,parsing,scrapy,web-crawler,Parsing,Scrapy,Web Crawler,我试图在没有下一个链接的情况下解析分页。html如下所示: <div id="pagination" class="pagination"> <ul> <li> <a href="//www.demopage.com/category_product_seo_name" class="page-1 ">1</a>
<div id="pagination" class="pagination">
<ul>
<li>
<a href="//www.demopage.com/category_product_seo_name" class="page-1 ">1</a>
</li>
<li>
<a href="//www.demopage.com/category_product_seo_name?page=2" class="page-2 ">2</a>
</li>
<li>
<a href="//www.demopage.com/category_product_seo_name?page=3" class="page-3 ">3</a>
</li>
<li>
<a href="//www.demopage.com/category_product_seo_name?page=4" class="page-4 active">4</a>
</li>
<li>
<a href="//www.demopage.com/category_product_seo_name?page=5" class="page-5">5</a>
</li>
<li>
<a href="//www.demopage.com/category_product_seo_name?page=6" class="page-6 ">6</a>
</li>
<li>
<span class="page-... three-dots">...</span>
</li>
<li>
<a href="//www.demopage.com/category_product_seo_name?page=50" class="page-50 ">50</a>
</li>
</ul>
</div>
有没有好的方法来解析这个分页?谢谢大家
PS:我也检查了这些答案:
一种解决方案是刮取x个页面,但如果总页面数不是恒定的,这并不总是一个好的解决方案:
class MySpider(scrapy.spider):
num_pages = 10
def start_requests(self):
requests = []
for i in range(1, self.num_pages)
requests.append(scrapy.Request(
url='www.demopage.com/category_product_seo_name?page={0}'.format(i)
))
return requests
def parse(self, response):
#parse pages here.
更新
您还可以跟踪页面计数并执行类似操作a[href~=“?page=2”]::attr(href)
将针对a
属性包含指定字符串的元素。(我目前无法测试这段代码是否有效,但这种风格的东西应该可以做到这一点)
您只需获取所有分页链接,并在每次必须调用以下代码时在循环中运行它,选择器将返回可用的分页链接。您不必担心重复的URL,因为scrapy将为您处理此URL。您也可以使用刮擦规则
response.css('.pagination ::attr(href)').getall()
谢谢你的回复,但正如你所说,这不是一个好的解决方案。这只是一个结果。我有几个这样的结果,有些结果是50页,有些结果是5页。我已经测试过了,下一个url返回为空。嗨,我忘了给你的解决方案提供反馈。经过一点修改,我觉得很好。谢谢你的回复,但我想一定有别的办法。在我问这个问题之前,我对这个response.css('div.pagination ul li a::attr(href)').extract()有相同的解决方案
class MySpider(scrapy.spider):
start_urls = ['https://demopage.com/search?p=1']
page_count = 1
def parse(self, response):
self.page_count += 1
#parse response
next_url = response.css('#pagination > ul > li > a[href~="?page={0}"]::attr(href)'.format(self.page_count))
if next_url:
yield scrapy.Request(
url = next_url
)
response.css('.pagination ::attr(href)').getall()