我正在尝试抓取此页面:https://coinmarketcap.com/currencies/views/all/
所有行的td[2]
中的是一个链接。我试图要求 scrapy 转到该 td 中的每个链接,并抓取链接代表的页面。下面是我的代码:
注意:另一个人非常出色地帮助我走到这一步
class ToScrapeSpiderXPath(CrawlSpider):
name = 'coinmarketcap'
start_urls = [
'https://coinmarketcap.com/currencies/views/all/'
]
rules = (
Rule(LinkExtractor(restrict_xpaths=('//td[2]/a',)), callback="parse", follow=True),
)
def parse(self, response):
BTC = BTCItem()
BTC['source'] = str(response.request.url).split("/")[2]
BTC['asset'] = str(response.request.url).split("/")[4],
BTC['asset_price'] = response.xpath('//*[@id="quote_price"]/text()').extract(),
BTC['asset_price_change'] = response.xpath(
'/html/body/div[2]/div/div[1]/div[3]/div[2]/span[2]/text()').extract(),
BTC['BTC_price'] = response.xpath('/html/body/div[2]/div/div[1]/div[3]/div[2]/small[1]/text()').extract(),
BTC['Prct_change'] = response.xpath('/html/body/div[2]/div/div[1]/div[3]/div[2]/small[2]/text()').extract()
yield (BTC)
即使表格超过 600 多个链接/页面,当我运行 scrapy scrap coinmarketcap
时,我只得到 19 条记录。这意味着这个 600 多页列表中只有 19 页。我没有看到停止抓取的问题。任何帮助将不胜感激。
谢谢
最佳答案
你的蜘蛛走得太深了:按照这个规则,它也会在单个硬币的页面中找到并跟踪链接。您可以通过添加 DEPTH_LIMIT = 1 粗略地解决该问题,但您肯定可以找到更优雅的解决方案。 这是适合我的代码(还有其他细微的调整):
class ToScrapeSpiderXPath(CrawlSpider):
name = 'coinmarketcap'
start_urls = [
'https://coinmarketcap.com/currencies/views/all/'
]
custom_settings = {
'DEPTH_LIMIT': '1',
}
rules = (
Rule(LinkExtractor(restrict_xpaths=('//td[2]',)),callback="parse_item", follow=True),
)
def parse_item(self, response):
BTC = BTCItem()
BTC['source'] = str(response.request.url).split("/")[2]
BTC['asset'] = str(response.request.url).split("/")[4]
BTC['asset_price'] = response.xpath('//*[@id="quote_price"]/text()').extract()
BTC['asset_price_change'] = response.xpath(
'/html/body/div[2]/div/div[1]/div[3]/div[2]/span[2]/text()').extract()
BTC['BTC_price'] = response.xpath('/html/body/div[2]/div/div[1]/div[3]/div[2]/small[1]/text()').extract()
BTC['Prct_change'] = response.xpath('/html/body/div[2]/div/div[1]/div[3]/div[2]/small[2]/text()').extract()
yield (BTC)
关于python - Scrapy Crawler 仅提取 680 多个网址中的 19 个,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43084632/