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。