Python 刮，从第二组链接中刮取页面

今天，我一直在浏览这些残缺不全的文档，并试图在一个真实的例子中得到一个有效的版本。我的示例稍有不同，它有两个后续页面，即

开始\u url>城市页面>单位页面

这是我想要从中获取数据的单元页面

我的代码：

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://www.unitestudents.com/',
            ]

    def parse(self, response):
        for quote in response.css('div.property-body'):
            yield {
                'name': quote.xpath('//span/a/text()').extract(),
                'type': quote.xpath('//div/h4/text()').extract(),
                'price_amens': quote.xpath('//div/p/text()').extract(),
                'distance_beds': quote.xpath('//li/p/text()').extract()
            }

            # Purpose is to crawl links of cities
            next_page = response.css('a.listing-item__link::attr(href)').extract_first()
            if next_page is not None:
                next_page = response.urljoin(next_page)
                yield scrapy.Request(next_page, callback=self.parse)

            # Purpose is to crawl links of units
            next_unit_page = response.css(response.css('a.text-highlight__inner::attr(href)').extract_first())
            if next_unit_page is not None:
                                          next_unit_page = response.urljoin(next_unit_page)
                                          yield scrapy.Request(next_unit_page, callback=self.parse)

但当我运行这个时，我得到：

INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)

因此，我认为我的代码没有设置为检索上面提到的流中的链接，但不确定如何最好地做到这一点

更新流程：

主页>城市页面>建筑页面>单元页面

它仍然是我想要从中获取数据的单位页面

更新代码：

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://www.unitestudents.com/',
            ]

    def parse(self, response):
        for quote in response.css('div.site-wrapper'):
            yield {
                'area_name': quote.xpath('//div/ul/li/a/span/text()').extract(),
                'type': quote.xpath('//div/div/div/h1/span/text()').extract(),
                'period': quote.xpath('/html/body/div/div/section/div/form/h4/span/text()').extract(),
                'duration_weekly': quote.xpath('//html/body/div/div/section/div/form/div/div/em/text()').extract(),
                'guide_total': quote.xpath('//html/body/div/div/section/div/form/div/div/p/text()').extract(),              
                'amenities': quote.xpath('//div/div/div/ul/li/p/text()').extract(),              
            }

            # Purpose is to crawl links of cities
            next_page = response.xpath('//html/body/div/footer/div/div/div/ul/li/a[@class="listing-item__link"]/@href').extract()
            if next_page is not None:
                next_page = response.urljoin(next_page)
                yield scrapy.Request(next_page, callback=self.parse)

            # Purpose is to crawl links of units
            next_unit_page = response.xpath('//li/div/h3/span/a/@href').extract()
            if next_unit_page is not None:
                                          next_unit_page = response.urljoin(next_unit_page)
                                          yield scrapy.Request(next_unit_page, callback=self.parse)

            # Purpose to crawl crawl pages on full unit info

            last_unit_page = response.xpath('//div/div/div[@class="content__btn"]/a/@href').extract()
            if last_unit_page is not None:
                last_unit_page = response.urljoin(last_unit_page)
                yield scrapy.Request(last_unit_page, callback=self.parse)

---

让我们从逻辑开始：

刮主页-获取所有城市

刮城市页面-获取所有单元URL

刮取单元页面-获取所有所需数据

下面我举了一个例子，说明了如何在一个刮擦蜘蛛中实现这一点。我无法找到您在示例代码中提到的所有信息，但我希望代码足够清晰，让您能够理解它的作用以及如何添加所需的信息

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://www.unitestudents.com/',
            ]

    # Step 1
    def parse(self, response):
        for city in response.xpath('//select[@id="frm_homeSelect_city"]/option[not(contains(text(),"Select your city"))]/text()').extract(): # Select all cities listed in the select (exclude the "Select your city" option)
            yield scrapy.Request(response.urljoin("/"+city), callback=self.parse_citypage)

    # Step 2
    def parse_citypage(self, response):
        for url in response.xpath('//div[@class="property-header"]/h3/span/a/@href').extract(): #Select for each property the url
            yield scrapy.Request(response.urljoin(url), callback=self.parse_unitpage)

        # I could not find any pagination. Otherwise it would go here.

    # Step 3
    def parse_unitpage(self, response):
        unitTypes = response.xpath('//div[@class="room-type-block"]/h5/text()').extract() + response.xpath('//h4[@class="content__header"]/text()').extract()
        for unitType in unitTypes: # There can be multiple unit types so we yield an item for each unit type we can find.
            yield {
                'name': response.xpath('//h1/span/text()').extract_first(),
                'type': unitType,
                # 'price': response.xpath('XPATH GOES HERE'), # Could not find a price on the page
                # 'distance_beds': response.xpath('XPATH GOES HERE') # Could not find such info
            }

---

我认为代码非常干净和简单。注释应该澄清我为什么选择使用for循环。如果有什么不清楚的地方，请告诉我，我会尽力解释。

您是否使用

scrapy shell测试了您的XPathhttp://www.unitestudents.com/

例如？@paultrmbrth我对它们进行了测试，但发现了一些缺陷，所以我做了一些更改-请参阅更新。你的想法是什么？谢谢你的帮助！我想知道这是从哪里来的-

//div[@class=“room type block”]/h5/text（）

？我似乎在任何一页上都找不到它。事实证明，我只取了一个单元页，假设所有其他单元页都是一样的，但事实并非如此（事实上，这个页面更像是一个例外）。我用过，但你是对的；我在很多网站上都找不到这个元素。我已经更新了代码来处理这两个页面。（注意：我没有测试完整的代码）谢谢你，工作得很好！我只是想知道，为什么这个部分-

callback=self.parse\u citypage

-指向下一个函数？对不起，这感觉这是一个RTFM问题！不确定我是否理解您的困惑，但您告诉Scrapy获取指定的url，并告诉它在获取数据时，应该使用获取的响应数据调用指定的回调函数。如果代码回答了您的问题，请检查此答案是否已被接受。