python - 用scrapy爬表，网站有不正常的html代码。

Question

第一篇文章。我感谢任何指导，迫不及待地回馈社区。

我正在尝试使用 scrapy 制作一个爬虫，以从该表中收集数据。

http://www.wikicfp.com/cfp/call?conference=machine%20learning

特别是 session 名称、地点和日期。但是表、tr 和 td 没有类，并且表在另一个表中。

无论我如何编辑我的代码，它都会给我整个页面。

import scrapy


class CfpspiderSpider(scrapy.Spider):
name = 'cfpspider'
allowed_domains = ['http://www.wikicfp.com']
start_urls = ['http://www.wikicfp.com/cfp/call?conference=machine%20learning']

def parse(self, response):
    div = response.css("div.contsec")

    for table in div:
        print(table.css("table")[3].css.extract_first())

稍后，我将努力让它进入下一页并输出 csv 或 json，但现在我正在尝试获取此表的部分内容。我在 scrapy shell 中测试了一些命令，但我的知识不足。 谢谢

Answer 1

从源码来看，页面的结构是这样的:

div class="contsec"
| center
| | form
| | | table
| | | | tr
| | | | tr
| | | | tr
| | | | | td
| | | | | | table id="the droids you are looking for"
| | | | tr

编辑:试试这个

def parse(self, response):
    divs = response.css("div.contsec")
    for div in divs:
            table = div.css("table")[3]
            headers = table.css("tr")[0].css("td::text").extract()
            # print("<table headers>")
            print("\t".join(headers))
            # print("</table headers>")
            for row in table.css("tr")[1:]:
                    row_data = row.css("td::text").extract()
                    print("\t".join(row_data))