Question

尝试scrapy并试图让一个基本的蜘蛛工作。我知道这可能是我想念的东西，但我已经尝试过我能想到的一切。

我得到的错误是：

line 11, in JustASpider
    sites = hxs.select('//title/text()')
NameError: name 'hxs' is not defined

我的代码目前非常基本，但我似乎无法找到我出错的地方。谢谢你的帮助！

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector

class JustASpider(BaseSpider):
    name = "google.com"
    start_urls = ["http://www.google.com/search?hl=en&q=search"]


    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select('//title/text()')
        for site in sites:
            print site.extract()


SPIDER = JustASpider()

Answer 1

我最后删除了SPIDER调用并删除了for循环。只有一个标题标签（正如人们所期望的那样），它似乎正在抛弃循环。我工作的代码如下：

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector

class JustASpider(BaseSpider):
    name = "google.com"
    start_urls = ["http://www.google.com/search?hl=en&q=search"]


    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        titles = hxs.select('//title/text()')
        final = titles.extract()

Answer 2

代码看起来很旧版本。我建议使用这些代码

from scrapy.spider import Spider
from scrapy.selector import Selector

class JustASpider(Spider):
    name = "googlespider"
    allowed_domains=["google.com"]
    start_urls = ["http://www.google.com/search?hl=en&q=search"]


    def parse(self, response):
        sel = Selector(response)
        sites = sel.xpath('//title/text()').extract()
        print sites
        #for site in sites: (I dont know why you want to loop for extracting the text in the title element)
            #print site.extract()

希望它有所帮助，here是一个很好的例子。

Answer 3

我遇到了类似的问题NameError: name 'hxs' is not defined，以及与空格和制表符相关的问题：IDE使用空格而不是制表符，您应该检查它。

Answer 4

代码看起来正确。

最新版本的Scrapy
不推荐使用HtmlXPathSelector。使用选择器：

hxs = Selector(response)
sites = hxs.xpath('//title/text()')

Answer 5

确保您正在运行您向我们展示的代码。

尝试删除项目中的*.pyc个文件。

Answer 6

这对我有用：

将文件另存为test.py
使用命令scrapy runspider <filename.py>

例如：

scrapy runspider test.py

Answer 7

这只是一个演示，但它有效。需要在场外定制。

#!/usr/bin/env python

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector


class DmozSpider(BaseSpider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select('//ul/li')
        for site in sites:
            title = site.select('a/text()').extract()
            link = site.select('a/@href').extract()
            desc = site.select('text()').extract()
            print title, link, desc

Answer 8

你应该改变

from scrapy.selector import HtmlXPathSelector

进入

from scrapy.selector import Selector

然后使用hxs=Selector(response)代替。

Answer 9

我使用Scrapy with BeautifulSoup4.0。对我来说，汤很容易阅读和理解。如果您不必使用HtmlXPathSelector，这是一个选项。希望这有帮助！

import scrapy
from bs4 import BeautifulSoup
import Item

def parse(self, response):

    soup = BeautifulSoup(response.body,'html.parser')
    print 'Current url: %s' % response.url
    item = Item()
    for link in soup.find_all('a'):
        if link.get('href') is not None:
            url = response.urljoin(link.get('href'))
            item['url'] = url
            yield scrapy.Request(url,callback=self.parse)
            yield item

Scrapy HtmlXPathSelector

9 个答案: