Python 从网站上抓取表格时出现问题?
我正在从这个站点提取表。虽然我匹配了XPath并发现了表中的字段,但我无法从站点中提取任何内容,这就是我的蜘蛛的样子:Python 从网站上抓取表格时出现问题?,python,xpath,web-scraping,scrapy,scrapy-spider,Python,Xpath,Web Scraping,Scrapy,Scrapy Spider,我正在从这个站点提取表。虽然我匹配了XPath并发现了表中的字段,但我无法从站点中提取任何内容,这就是我的蜘蛛的样子: # -*- coding: utf-8 -*- import scrapy from table.items import TableItem class Table(scrapy.Spider): name = "table1" start_urls = ( 'wesite.com', ) #//div[4]//div[1]
# -*- coding: utf-8 -*-
import scrapy
from table.items import TableItem
class Table(scrapy.Spider):
name = "table1"
start_urls = (
'wesite.com',
)
#//div[4]//div[1]//div[1]//table[1]
#
def parse(self, response):
sites = response.xpath('//*[@id="tabs-1"]/table//tr')[1:-2]
print('\n***********************************\n',sites)
for site in sites:
item = TableItem()
item['col1'] = site.xpath('td[1]/text()').extract()
item['col2'] = site.xpath('td[2]/text()').extract()
yield item
print('\n**********\n',item)
我想我的主要问题是这一行:
sites = response.xpath('//*[@id="tabs-1"]/table[1]/tr')
我实际上可以检索内容。但是,它有一个非常大的重复错误格式(格式不正确)。知道如何获取表格吗?有时候浏览器在渲染时会添加自己的DOM元素。对于给定的站点,正确的xpath选择器是
response.xpath('//*[@id=“tabs-1”]/table//tr')
,用于查找表行
已编辑:添加了从表中获取正确元素的代码
# -*- coding: utf-8 -*-
import scrapy
from table.items import TableItem
class Table(scrapy.Spider):
name = "table1"
start_urls = (
'http://www.accessdata.fda.gov/scripts/drugshortages/default.cfm#tabs-1',
)
def parse(self, response):
sites = response.xpath('//*[@id="tabs-1"]/table//tr')
for site in sites:
item = TableItem()
item['col1'] = site.xpath('td/a/text()').extract_first()
col2 = site.xpath('td/em/strong/text()')
if col2:
item['col2'] = site.xpath('td/em/strong/text()')[0].extract().strip()
else:
item['col2'] = 'Not Available'
yield item
我也在调查。给我2分钟我更新了答案以反映获取数据所需的代码打印
item['col1']
时会看到什么?哦。我已将答案中的extract()
替换为extract\u first()
。谢谢!,表面上。。我在col2
中得到了几个\n
知道如何删除它们吗?。