使用Scrapy在嵌套页面中连续捕获数据
我正试图用一个Scrapy BaseSpider来创建一个相当简单的网站,因为我事先知道我想要爬网的所有链接都在哪里 要爬网的站点的基本布局为使用Scrapy在嵌套页面中连续捕获数据,scrapy,meta,Scrapy,Meta,我正试图用一个Scrapy BaseSpider来创建一个相当简单的网站,因为我事先知道我想要爬网的所有链接都在哪里 要爬网的站点的基本布局为 国家名单 一个州内的县列表 县内机构名单 关于单一机构的信息 我可以成功导航并获取所有4个级别的数据,但是,我的county字段没有正确填充。对于给定的机构,我得到的不是它所在的实际县,而是该机构所在州的最后一个县 例如: OH-县3-机构1(应该是县1) OH-县3-机构2(应该是县2) OH-县3-机构3(正确) 我似乎想不出一些我认为相对简单的
- OH-县3-机构1(应该是县1)
- OH-县3-机构2(应该是县2)
- OH-县3-机构3(正确)
from scrapy.spider import BaseSpider
from scrapy.selector import Selector
from agencyspider.items import AgencyItem
from scrapy.http import Request
class BasicspiderSpider(BaseSpider):
name = "basicSpider"
allowed_domains = ["usacops.com"]
start_urls = [
'http://www.usacops.com/',
]
items = {}
def parse(self, response):
sel = Selector(response)
states = sel.xpath('//comment()[.=" Begin State Names "]/following::table[1]/tr/td/a')
for s in states:
item = AgencyItem()
state = s.xpath('text()').extract()[0]
url = s.xpath('@href').extract()[0]
item['state'] = state
item['stateUrl']= url
yield Request(url=url,callback=self.parse_counties,meta={'item':item})
def parse_counties(self, response):
sel = Selector(response)
counties = sel.xpath('//comment()[.=" Begin Counties "]/following::table[1]/tr/td/font/a | //comment()[.=" Begin Counties "]/following::table[1]/tr/td/a')
for c in counties:
item = response.request.meta["item"]
county = c.xpath('text()').extract()[0]
countyUrl = c.xpath('@href').extract()[0]
url = item["stateUrl"] + countyUrl
item["county"]=county
item["countyUrl"]=url
yield Request(url=url, callback=self.parse_agencies,meta={'item':item})
def parse_agencies(self,response):
sel = Selector(response)
agencies = sel.xpath('//table[9]/tr/td/table[2]/tr/td/font/a | //table[9]/tr/td/table[2]/tr/td/a')
for a in agencies:
item = response.request.meta["item"]
agency = a.xpath('text()').extract()[0]
agencyUrl = a.xpath('@href').extract()[0]
url = item["stateUrl"] + agencyUrl
item["agency"] = agency
item["agencyUrl"] = url
yield Request(url=url, callback=self.parse_agencyinfo,meta={'item':item})
def parse_agencyinfo(self,response):
sel = Selector(response)
item = response.request.meta["item"]
item["agency"]= ' '.join(sel.xpath('//comment()[.=" Begin center section "]/following::table/tr/td/strong/font[1]/text()').extract())
item["admintype"]= ' '.join(sel.xpath('//comment()[.=" Begin center section "]/following::table/tr/td/strong/font[2]/text()').extract())
item["adminhead"]= ' '.join(sel.xpath('//comment()[.=" Begin center section "]/following::table/tr/td/strong/font[3]/text()[1]').extract())
item["address"]= ' '.join(sel.xpath('//comment()[.=" Begin center section "]/following::table/tr/td/strong/font[3]/text()[position()>1]').extract())
return item
嘿,所以问题是每次分配
item=response.request.meta[“item”]
时,都会反复引用和分配相同的项
幸运的是,这是一个简单的解决办法!只需将response.request.meta[“item”]
包装为AgencyItem(response.request.meta[“item”])
即可为每个县创建一个州项目的列表
另外,不要忘了在其他回调中执行同样的操作,否则您将在其他字段中遇到问题。希望有帮助 成功了!出于某种原因,我认为对新URL的请求将为我创建一个新的作用域,而不是重复使用相同的对象。非常感谢。我可以把自己从屏幕上撬开。妻子和孩子更幸福。