Question

我需要Scrapy从这个标签中收集数据并将所有三个部分一起检索。输出将类似于：

Tonka双震男孩自行车 - 10美元（丹佛）。

<span class="postingtitletext">Tonka double shock boys bike - <span class="price">$10</span><small> (Denver)</small></span>

其次是从第一个span标签收集数据。所以结果只是：

2016 2004庞蒂亚克大奖赛GT。

 <p class="attrgroup"><span><b>2016 2004 Pontiac Grand Prix gt</b></span> <span>odometer: <b>164</b></span>  <span>fuel : <b>gas</b></span> <span>transmission : <b>automatic</b></span> <span>title status : <b>clean</b></span></p>

到目前为止，这是我的代码：

   # -*- coding: utf-8 -*-
# scrapy crawl dmoz -o items.csv -t csv
import re
import scrapy
from scrapy.http import Request


# item class included here
class DmozItem(scrapy.Item):
    # define the fields for your item here like:
    link = scrapy.Field()
    attr = scrapy.Field()
    title = scrapy.Field()
    tag = scrapy.Field()

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["craigslist.org"]
    start_urls = [
    "http://jxn.craigslist.org/search/cto?"
    ]

    BASE_URL = 'http://jxn.craigslist.org/'

    def parse(self, response):
        links = response.xpath('//a[@class="hdrlnk"]/@href').extract()
        for link in links:
            absolute_url = self.BASE_URL + link
            yield scrapy.Request(absolute_url, callback=self.parse_attr)

    def parse_attr(self, response):
        match = re.search(r"(\w+)\.html", response.url)
        if match:
            item_id = match.group(1)
            url = self.BASE_URL + "reply/nos/vgm/" + item_id

            item = DmozItem()
            item["link"] = response.url
            item["title"] = "".join(response.xpath("//span[@class='postingtitletext']//text()").extract())
            item["tag"]=response.xpath("//p[@class='attrgroup']/span/b/text()").extract()
            return scrapy.Request(url, meta={'item': item}, callback=self.parse_contact)

    def parse_contact(self, response):
        item = response.meta['item']
        item["attr"] = "".join(response.xpath("//div[@class='anonemail']//text()").extract())
        return item

Answer 1

要发布标题，请从span标记中获取所有文本节点并加入它们：

$ scrapy shell http://denver.craigslist.org/bik/5042090428.html
In [1]: "".join(response.xpath("//span[@class='postingtitletext']//text()").extract())
Out[1]: u'Tonka double shock boys bike - $10 (Denver)'

请注意＆＃34; Scrapy-way＆＃34;要做到这一点，可以使用ItemLoader和Join()处理器。

其次是从第一个span标签收集数据。

由于您还没有提供示例输入数据，因此这是一个有根据的猜测：

response.xpath("//p[@class='attrgroup']/span/b/text()").extract()[0]

Scrapy从第一个元素和帖子的标题中收集数据

1 个答案: