Question

我对使用Scrapy或python相对较新。我想从几个不同的链接中提取，我在使用HTMLXPathSelector表达式（语法）时遇到问题。我已经查看了大量文档以了解正确的语法，但尚未找到解决方案。

以下是我尝试提取“img src”链接的示例。从

Page I am trying to extract the img src url from

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

class GeekSpider(BaseSpider):
    name = "geekS"
    allowed_domains = ["geek.com"]
    start_urls = ["http://www.geek.com/articles/gadgets/kindle-fire-hd-8-9-on-sale-for-50-off-today-only-20121210/"]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        imgurl = hxs.select("//div[@class='article']//a/img/@src").extract()
        return imgurl

我想我已经找到了x.select语句的语法，但是，因为我不熟悉这种语法/方法，所以我不确定。

这是我的items.py文件，基本上遵循scrapy教程：

from scrapy.item import Item, Field

class GeekItem(Item):
    imgsrc = Field()

澄清：我要做的是提取页面上的img src网址。我不需要提取我已经想到的所有图像src（更容易）。

我只是想缩小范围，只提取img src的特定网址。 （我将在本网站的多个页面上使用它）

非常感谢任何帮助！

编辑 - 更新代码我在geek = geek（）时遇到了一些语法错误所以我稍微改了一下，希望更容易理解和运行

Answer 1

我相信你的xpath表达式应该更像这样。我在另一个页面（the Amazon shipping center article）上测试了它，它返回了所有十个可点击的图像。

geek['imgsrc'] = x.select("//div[@class='article']//a/img/@src").extract()

要解决您的其他问题，您需要将GeekItem导入GeekSpider代码。

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from geekspider.items import GeekItem # I'm guessing the name of your project here

class GeekSpider(BaseSpider):
    name = "geekS"
    allowed_domains = ["geek.com"]
    start_urls = ["http://www.geek.com/articles/gadgets/kindle-fire-hd-8-9-on-sale-for-50-off-today-only-20121210/"]

    def parse(self, response):
        item = GeekItem()
        hxs = HtmlXPathSelector(response)
        item['imgsrc'] = hxs.select("//div[@class='article']//a/img/@src").extract()
        return item

Scrapy - 使用xPathSelector提取嵌套的'img src'

1 个答案: