抓取刮擦每个表数据

如何解决抓取刮擦每个表数据

简介

在使用scrapy几周后,我仍然有一些问题需要弄清楚一些xpath表达式。 通常,我在提取表和“ ul and li”标签的数据时遇到很大的问题。

示例 我尝试获取以下数据的网页: https://www.karton.eu/460x310x160-mm-Postal-Shipping-Box

有一个名为的表:“ Productdata”,我需要每一行,但是我什么也没得到。 我尝试了类似的东西: response.xpath('//*[@id="2"]/tr/td/text()').getall()response.xpath('//table[@class="table table-striped"]/tr/td/text()').getall()

我的代码

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider,Rule
from ..items import KartoneuItem
import csv

class KartoneuSpider(scrapy.Spider):
    name = "karton13"
    allowed_domains = ['karton.eu']
    with open("kartonsalllinks.csv","r") as f:
        reader = csv.DictReader(f)
        start_urls = [items['Link'] for items in reader]
    
    rules = (
        Rule(LinkExtractor(),callback='parse'),)

    def parse(self,response):
        card = response.xpath('//div[@class="product-info-inner"]')

        if not card:
            print('No productlink',response.url)

        for a in card:

            items = KartoneuItem()
            items['SKU'] = a.xpath('.//span[@class="art_nr"]/strong/text()').get()
            items['Title'] = a.xpath('.//h1[@class="fn product-title"]/text()').get()
            items['Link'] = a.url
            items['Price'] = a.xpath('.//div[@class="price_wrapper"]/strong/text()').get()
            items['Delivery_Status'] = a.xpath('.//div[@class="col-lg-4"]/span/text()').get()
            items['Desc'] = a.xpath('.//*[@id="1"]/p/text()').getall()
            items['Breadcrumb'] = a.xpath('.//*[@id="breadcrumb"]/li/a/@href').getall()
            yield items

我已经有一个.csv文件,其中包含域的每个链接,现在上面的代码应打开每个链接,检查其是否为产品链接(response.xpath('//div[@class="product-info-inner"]')没有该标签的页面应被跳过因为它们可以是例如类别链接。

解决方法

您在XPATH选择器中错过了一个提示,我不确定您的项目字段是什么,等等...这里我只是将所有产品数据都保存在一个列表中,您可以操纵该列表,也可以使用XPATH选择器将数据分别放入单独的项目字段中。

代码示例

table_rows = response.xpath('//table[@class="table table-striped"]/tbody/tr/td/text()').getall() 
cleaned_table_rows = [a for a in table_rows if a != '\n']

输出

['internal dimensions:','460 x 310 x 160 mm','external dimensions:','515 x 335 x 170 mm','girth:','122,5 cm','quality:','B-Welle 1.2','weight:','0,48 kg','volume:','22.82 l','pallet dimensions:','1230 x 800 x 1880 mm','piece(s) per pallet:','410','carbon neutral']

解释

您是XPATH选择器

response.xpath('//table[@class="table table-striped"]/tr/td/text()').getall()

应该在什么时候

response.xpath('//table[@class="table table-striped"]/tbody/tr/td/text()').getall() 

然后我使用列表理解来清理列表,因为变量table_rows有多个\n项。

,

您可以使用:

直接输出键
 response.xpath('//table[@class="table table-striped"]//tr/td[1]/text()[normalize-space()]').getall()

输出:

['internal dimensions:','carbon neutral']

对于值(请确​​保使用/td[2]//text()而不是/td[2]/text()):

response.xpath('//table[@class="table table-striped"]//tr/td[2]//text()').getall()

输出:

['460 x 310 x 160 mm','ClimatePartner ID printed']

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


依赖报错 idea导入项目后依赖报错,解决方案:https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错:更换其他版本 无法下载依赖可参考:https://blog.csdn.net/weixin_42628809/a
错误1:代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
错误1:gradle项目控制台输出为乱码 # 解决方案:https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
错误还原:在查询的过程中,传入的workType为0时,该条件不起作用 <select id="xxx"> SELECT di.id, di.name, di.work_type, di.updated... <where> <if test=&qu
报错如下,gcc版本太低 ^ server.c:5346:31: 错误:‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
解决方案1 1、改项目中.idea/workspace.xml配置文件,增加dynamic.classpath参数 2、搜索PropertiesComponent,添加如下 <property name="dynamic.classpath" value="tru
删除根组件app.vue中的默认代码后报错:Module Error (from ./node_modules/eslint-loader/index.js): 解决方案:关闭ESlint代码检测,在项目根目录创建vue.config.js,在文件中添加 module.exports = { lin
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams['font.sans-serif'] = ['SimHei'] # 能正确显示负号 p
错误1:Request method ‘DELETE‘ not supported 错误还原:controller层有一个接口,访问该接口时报错:Request method ‘DELETE‘ not supported 错误原因:没有接收到前端传入的参数,修改为如下 参考 错误2:cannot r
错误1:启动docker镜像时报错:Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法:重启docker -> systemctl r
错误1:private field ‘xxx‘ is never assigned 按Altʾnter快捷键,选择第2项 参考:https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2:启动时报错,不能找到主启动类 #
报错如下,通过源不能下载,最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
错误1:maven打包报错 错误还原:使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
错误1:服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping("/hires") public class FeignControl
错误1:运行项目后报如下错误 解决方案 报错2:Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案:在pom.
参考 错误原因 过滤器或拦截器在生效时,redisTemplate还没有注入 解决方案:在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate<String
使用vite构建项目报错 C:\Users\ychen\work>npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-