对 scrapy 还很陌生,所以请多多包涵。
首先,这是我的代码:
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from usdirectory.items import UsdirectoryItem
from scrapy.http import Request
class MySpider(BaseSpider):
name = "usdirectory"
allowed_domains = ["domain.com"]
start_urls = ["url_removed_sorry"]
def parse(self, response):
hxs = HtmlXPathSelector(response)
titles = hxs.select('//*[@id="holder_result2"]/a[1]/span/span[1]/text()').extract()
for title in titles:
item = UsdirectoryItem()
item["title"] = title
item
yield item
这行得通......但它只抓取第一个项目。
我注意到在我试图抓取的项目中,每一行的 Xpath 都会发生变化。例如,第一行是您在上面看到的 xpath:
//*[@id="holder_result2"]/a[1]/span/span[1]/text()
然后它递增 2,一直到 29。所以第二个结果:
//*[@id="holder_result2"]/a[3]/span/span[1]/text()
最后结果:
//*[@id="holder_result2"]/a[29]/span/span[1]/text()
所以我的问题是如何让脚本获取所有这些,我不在乎是否必须为每个项目复制和粘贴代码。所有其他页面完全相同。我只是不确定该怎么做。
非常感谢。
编辑:
import scrapy
from scrapy.item import Item, Field
class UsdirectoryItem(scrapy.Item):
title = scrapy.Field()
最佳答案
鉴于模式与您描述的完全一样,您可以使用 XPath modulo operator mod
在 a
的位置索引上获取所有目标 a
元素:
//*[@id="holder_result2"]/a[position() mod 2 = 1]/span/span[1]/text()
要进行快速演示,请考虑以下输入 XML:
<div>
<a>1</a>
<a>2</a>
<a>3</a>
<a>4</a>
<a>5</a>
</div>
给定此 XPath /div/a[position() mod 2 = 1]
,将返回以下元素:
<a>1</a>
<a>3</a>
<a>5</a>
请参阅 xpathtester.com 中的现场演示 here
关于python - Scrapy - 抓取多个项目,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35376122/