Scrapy - 使用xpath对嵌套和顺序元素进行分组

时间:2014-01-04 06:11:55

标签: python xpath scrapy

我想使用Scrapy对页面上的重复元素进行分组,但是对于这个特定的例子来说,没有缝合很多信息。也许你们中的一个人会很友善地帮助我解决这个问题。


HTML

这是我希望使用Scrapy抓取的页面上的当前HTML标记:

###############
# First group #
###############
<table>
  <tbody>
    <tr>
      <td>Heading1</td>
    </tr>
  </tbody>
</table>
<table>
  <tbody>
    <tr>
      <td>
        <table>
          <tbody>
            <tr>
              <td><a href="Foo1URL">Foo1</a></td>
              <td>Bar1</td>
            </tr>
            <tr>
              <td><a href="Foo2URL">Foo2</a></td>
              <td>Bar2</td>
            </tr>
          </tbody>
        </table>
        <table>
          <tbody>
            <tr>
              <td><a href="Foo3URL">Foo3</a></td>
              <td>Bar3</td>
            </tr>
            <tr>
              <td><a href="Foo4URL">Foo4</a></td>
              <td>Bar4</td>
            </tr>
          </tbody>
        </table>
        ... 
    </td>
    <td>
        <table>
          <tbody>
            <tr>
              <td>Sub-Heading1</td>
            </tr>
            <tr>
              <td>Name1</td>
              <td>1</td>
              <td>1</td>
              <td>1</td>
            </tr>
            <tr>
              <td>Name2</td>
              <td>2</td>
              <td>2</td>
              <td>2</td>
            </tr>
            <tr>
              <td>Name3</td>
              <td>3</td>
              <td>3</td>
              <td>3</td>
            </tr>  
            ...      
          </tbody>
        </table>
    </td>
    </tr>
  </tbody>
</table>
################
# Second group #
################
<table>
  <tbody>
    <tr>
      <td>Heading2</td>
    </tr>
  </tbody>
</table>
<table>
  <tbody>
    <tr>
      <td>
        <table>
          <tbody>
            <tr>
              <td><a href="Foo5URL">Foo5</a></td>
              <td>Bar5</td>
            </tr>
            <tr>
              <td><a href="Foo6URL">Foo6</a></td>
              <td>Bar6</td>
            </tr>
          </tbody>
        </table>
        <table>
          <tbody>
            <tr>
              <td><a href="Foo7URL">Foo7</a></td>
              <td>Bar7</td>
            </tr>
            <tr>
              <td><a href="Foo8URL">Foo8</a></td>
              <td>Bar8</td>
            </tr>
          </tbody>
        </table>
        ...
    </td>
    <td>
        <table>
          <tbody>
            <tr>
              <td>Sub-Heading2</td>
            </tr>
            <tr>
              <td>Name4</td>
              <td>4</td>
              <td>4</td>
              <td>4</td>
            </tr>
            <tr>
              <td>Name5</td>
              <td>5</td>
              <td>5</td>
              <td>5</td>
            </tr>
            <tr>
              <td>Name6</td>
              <td>6</td>
              <td>6</td>
              <td>6</td>
            </tr>  
            ...      
          </tbody>
        </table>
    </td>
    </tr>
  </tbody>
</table>
################
# Third group #
################

# ... and so on

请注意:'...'表示它会在每个页面的变量实例处重复。


数据结构

这就是HTML标记中的上述数据的结构:

--- Heading1
      --|--
          -|- Foo1 (Foo1URL)
           |- Bar1
          -|- Foo2 (Foo2URL)
           |- Bar2
        |--
          -|- Foo3 (Foo3URL)
           |- Bar3
          -|- Foo4 (Foo4URL)
           |- Bar4 
        |--
          -| ...
      --|-- Sub Heading1
           |- Name1
               |- 1
               |- 1    
               |- 1    
           |- Name2
               |- 2
               |- 2    
               |- 2   
           |- Name3
               |- 3
               |- 3    
               |- 3 
           |--
             -| ...  
--- Heading2
      --|--
          -|- Foo5 (Foo5URL)
           |- Bar5
          -|- Foo6 (Foo6URL)
           |- Bar6
        |--
          -|- Foo7 (Foo7URL)
           |- Bar7
          -|- Foo8 (Foo8URL)
           |- Bar8 
        |--
          -| ...
      --|-- Sub Heading2
           |- Name4
               |- 4
               |- 4    
               |- 4    
           |- Name5
               |- 5
               |- 5    
               |- 5   
           |- Name6
               |- 6
               |- 6    
               |- 6
           |--
             -| ... 
--- HeadingX
      --|-- ...and so on

结构在页面和其他页面上重复出现,因此页面上可以有X个这样的组。


示例废料数据

这就是我想在页面上搜索的内容:

[ (Heading1, Foo1, Foo1URL, Bar1, Foo2, Foo2URL, Bar2),
  (Heading1, Foo3, Foo3URL, Bar3, Foo4, Foo4URL, Bar4),
  ... 
  (Heading2, Foo5, Foo5URL, Bar5, Foo6, Foo6URL, Bar6),
  (Heading2, Foo7, Foo7URL, Bar8, Foo8, Foo8URL, Bar8),
  ... ]

然后是子标题:

[ (Heading1, Sub-Heading1, Name1, 1, 1, 1),
  (Heading1, Sub-Heading1, Name2, 2, 2, 2),
  (Heading1, Sub-Heading1, Name3, 3, 3, 3),
  ...
  (Heading2, Sub-Heading2, Name4, 4, 4, 4),
  (Heading2, Sub-Heading2, Name5, 5, 5, 5),
  (Heading2, Sub-Heading2, Name6, 6, 6, 6),
  ... ]

1 个答案:

答案 0 :(得分:1)

在这种情况下,当难以区分html条目时,你可以尝试依靠元素位置,意思是这样的:

item = SomeItem()
item2 = SomeOtherItem()
for idx,t in enumerate(sel.xpath('/html/body/table')):
    if not idx % 2:
        item.field1 = t.xpath('tbody/tr/td/text()').extract()[0]
    else:
        content = t.xpath('tbody/tr/td[1]')
        item.field2 = content.xpath('table/tbody/tr/td[1]/a/@href).extract()[0]
        item.field3 = content.xpath('table/tbody/tr/td[2]/text()).extract()[0]
        sub_heading = t.xpath('tbody/tr/td[2]')
        item2.field1 = heading.xpath(...)
        ...

希望这会有所帮助。