Question

我正在尝试让Scrapy抓取一个网站，但只限于符合某种模式的网页，这让我很头疼。

网站结构如下：

website.com/category/page1/
website.com/category/page2/
website.com/category/page3/

等等。

我需要它从类别开始抓取，然后按照指向另一个页面的所有链接（总共375页，当然这个数字不固定）。

问题是它在我停止之前爬过~10页，但它只返回10-15项，其中应该有200 +

这是我的代码，它无效：

class WSSpider(CrawlSpider):
name = "ws"
allowed_domains = ["website.com"]
start_urls = ["https://www.website.com/category/"]
rules = (
    Rule(LinkExtractor(allow=("/level_one/page*",)), callback="parse_product", follow=True),
)

    def parse_product(self, response):
        sel = Selector(response)
        sites = sel.css(".pb-infos")
        items = []

        for site in sites:
            item = Website()
            item["brand"] = site.css(".pb-name .pb-mname::text").extract()
            item["referinta"] = site.css(".pb-name a::text").extract()
            item["disponibilitate"] = site.css(".pb-availability::text").extract()
            item["pret_vechi"] = site.css(".pb-sell .pb-old::text").extract()
            item["pret"] = site.css(".pb-sell .pb-price::text").extract()
            item["procent"] = site.css(".pb-sell .pb-savings::text").extract()
            items.append(item)

        #return items
        f = open("output.csv", "w")
        for item in items:
            line = \
                item["brand"][0].strip(), ";", \
                item["referinta"][-1].strip(), ";", \
                item["disponibilitate"][0].strip(), ";", \
                item["pret_vechi"][0].strip().strip(" lei"), ";", \
                item["pret"][0].strip().strip(" lei"), ";", \
                item["procent"][0].strip().strip("Mai ieftin cu "), "\n"
            f.write("".join(line))
        f.close()

非常感谢任何帮助！

Answer 1

我发现了我的（愚蠢）错误。

f = open("output.csv", "w")

实际上应该是

f = open("output.csv", "a")

Answer 2

我曾经写过一个python scraper，在它关闭之前下载一个内部wiki站点 - 遇到了一个问题，我们的内部网或wiki服务器限制了我的脚本对内容的访问。我认为有一种方法可以让scrapy更慢地访问。

我遇到的另一个问题是身份验证 - 维基的某些部分需要登录才能阅读。

另一个问题是你每次都在覆盖output.csv ......

Answer 3

parse_product是异步的，请改用CsvItemExporter。 http://doc.scrapy.org/en/latest/topics/exporters.html#csvitemexporter

Scrapy没有返回它应该的所有项目

3 个答案: