我已经在scrapy中编写了一个蜘蛛来从网站中提取数据。我有一个带有类似结构的html表的链接列表,到目前为止这些工作的提取很好。现在的问题是这些表中的一些表在多个页面上运行,即如果数据集超过30行,则将其拆分。大多数表只有一页,但有些表相当长,最多70页。通过按下"下一页"到达下一页。按钮形式的html表单。我希望蜘蛛去每个表,从第一页提取数据,然后进入第二页,第三页等,直到没有" next"按钮,然后继续使用下一个原始网址。
据我所知,我需要的可能是form_request命令,但我对这些事情不熟悉,我在网上找到的所有示例结构都略有不同,所以非常感谢帮助。
这是我的代码,它提取每个表的第一页。
from scrapy.spiders import BaseSpider
from scrapy.selector import HtmlXPathSelector
from example.items import exitem
from scrapy.http import FormRequest
class MySpider(BaseSpider):
name = "example"
with open('linklist.txt') as f:
start_urls = f.readlines()
def parse(self, response):
hxs = HtmlXPathSelector(response)
main = hxs.xpath("/html/body/table[2]/tr/td[2]/table/tr/td/table[1]/tr[1]/td[1]/table")
titles = hxs.xpath("/html/body/table[2]/tr/td[2]/table/tr/td/table[1]/tr[2]/td/table/tr")
items = []
for titles in titles:
item = exitem()
item["pid"] = titles.xpath("td[2]/font/text()").extract()
item["famname"] = titles.xpath("td[3]/font/b/text()").extract()
item["firstname"] = titles.xpath("td[4]/font/text()").extract()
item["sex"] = titles.xpath("td[5]/font/text()").extract()
item["age"] = titles.xpath("td[6]/font/text()").extract()
item["famstat"] = titles.xpath("td[7]/font/text()").extract()
item["res"] = titles.xpath("td[8]/font/text()").extract()
item["nation"] = titles.xpath("td[9]/font/text()").extract()
item["state"] = titles.xpath("td[10]/font/text()").extract()
item["job"] = titles.xpath("td[11]/font/text()").extract()
return(items)
这是网站上的表格:
<form action="http://example.com/listen.php" method="get">
<input type="submit" value="next sheet" name="">
<input type="hidden" value="1234567" name="ArchivIdent">
<input type="hidden" value="31" name="start">
</form>
&#34;开始&#34;第二页的值为31,第三页的值为61,第四页的值为91等。
答案 0 :(得分:1)
from selenium import web driver
driver = webdriver.Firefox()
driver.get("your page")
try:
driver.findElement(By.xpath("//*[@type='submit'][@value='next']")).click()
except:
pass
continue with your program
一旦找不到该按钮,它将不再尝试。然后继续您的程序
希望这会有所帮助。