我知道那里有几个相关的线程,他们帮助了我很多,但我仍然无法一路走来。我正处于运行代码不会导致错误的地步,但我的csv
文件中没有任何内容。我有以下Scrapy
蜘蛛在一个网页上开始,然后跟随一个超链接,并抓取链接的页面:
from scrapy.http import Request
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from scrapy.item import Item, Field
class bbrItem(Item):
Year = Field()
AppraisalDate = Field()
PropertyValue = Field()
LandValue = Field()
Usage = Field()
LandSize = Field()
Address = Field()
class spiderBBRTest(BaseSpider):
name = 'spiderBBRTest'
allowed_domains = ["http://boliga.dk"]
start_urls = ['http://www.boliga.dk/bbr/resultater?sort=hus_nr_sort-a,etage-a,side-a&gade=Septembervej&hus_nr=29&ipostnr=2730']
def parse2(self, response):
hxs = HtmlXPathSelector(response)
bbrs2 = hxs.select("id('evaluationControl')/div[2]/div")
bbrs = iter(bbrs2)
next(bbrs)
for bbr in bbrs:
item = bbrItem()
item['Year'] = bbr.select("table/tbody/tr[1]/td[2]/text()").extract()
item['AppraisalDate'] = bbr.select("table/tbody/tr[2]/td[2]/text()").extract()
item['PropertyValue'] = bbr.select("table/tbody/tr[3]/td[2]/text()").extract()
item['LandValue'] = bbr.select("table/tbody/tr[4]/td[2]/text()").extract()
item['Usage'] = bbr.select("table/tbody/tr[5]/td[2]/text()").extract()
item['LandSize'] = bbr.select("table/tbody/tr[6]/td[2]/text()").extract()
item['Address'] = response.meta['address']
yield item
def parse(self, response):
hxs = HtmlXPathSelector(response)
PartUrl = ''.join(hxs.select("id('searchresult')/tr/td[1]/a/@href").extract())
url2 = ''.join(["http://www.boliga.dk", PartUrl])
yield Request(url=url2, meta={'address': hxs.select("id('searchresult')/tr/td[1]/a[@href]/text()").extract()}, callback=self.parse2)
我正在尝试将结果导出到csv文件,但我得不到任何文件。但是,运行代码不会导致任何错误。我知道这是一个简单的例子,只有一个URL,但它说明了我的问题。
我认为我的问题可能是我没有告诉Scrapy
我想要在Parse2
方法中保存数据。
顺便说一下,我把蜘蛛当作scrapy crawl spiderBBR -o scraped_data.csv -t csv
答案 0 :(得分:26)
您需要修改Request
中已屈服的parse
以使用parse2
作为其回调。
编辑:allowed_domains
不应包含http前缀,例如:
allowed_domains = ["boliga.dk"]
尝试一下,看看您的蜘蛛是否仍然正常运行,而不是留下allowed_domains
空白
答案 1 :(得分:2)
尝试制作此dont_filter=true
yield Request(url=url2, meta{'address':hxs.select("id('searchresult')/tr/td[1]/a[@href]/text()").extract()}, callback=self.parse2,dont_filter=True)