Question

设置向上

我正在从this site抓取伦敦住房广告。

可以搜索3种不同区域尺寸的住房广告：整个伦敦，特定区域（例如伦敦市中心）或特定分区（例如Aldgate）。

该网站只允许您检查每个区域每30个广告50页，无论区域大小。即如果我选择X，我可以在X中查看1500个广告，无论X是Central London还是Aldgate。

在撰写此问题时，网站上有超过37.000个广告。

由于我想尽可能多地抓取广告，这个限制意味着我需要在子区级别上抓广告。

为此，我写了以下蜘蛛，

# xpath to area/sub area links
area_links = ('''//*[@id="fullListings"]/div[1]/div/div/nav/aside/'''
          '''section[1]/div/ul/li/a/@href''')

class ApartmentSpider(scrapy.Spider):
    name = 'apartments2'
    start_urls = [
        "https://www.gumtree.com/property-to-rent/london"
        ]

    # obtain links to london areas
    def parse(self, response):                
            for url in response.xpath(area_links).extract():
                yield scrapy.Request(response.urljoin(url),
                         callback=self.parse_sub_area)    

    # obtain links to london sub areas
    def parse_sub_area(self, response):                
            for url in response.xpath(area_links).extract():
                yield scrapy.Request(response.urljoin(url),
                         callback=self.parse_ad_overview)    

    # obtain ads per sub area page
    def parse_ad_overview(self, response):                
            for ads in response.xpath('//*[@id="srp-results"]/div[1]/div/div[2]',
                                      ).css('ul').css('li').css('a',
                                           ).xpath('@href').extract():
                yield scrapy.Request(response.urljoin(ads),
                         callback=self.parse_ad)

                next_page = response.css(
            '#srp-results > div.grid-row > div > ul > li.pagination-next > a',
                                        ).xpath('@href').extract_first()
                if next_page is not None:
                    next_page = response.urljoin(next_page)
                    yield scrapy.Request(next_page, callback=self.parse) 

    # obtain info per ad
    def parse_ad(self, response):

    # here follows code to extract of data per ad

工作正常。

即，它获取指向

的链接

初始页面的区域
来自相应区域页面的子区域，每个区域
每个子区域页面展示广告，迭代每个子区域的所有页面

最终从每个广告中抓取数据。

问题

代码似乎随机停止抓取，我不知道为什么。

我怀疑它已达到极限，因为它被告知刮掉许多链接和物品，但我不确定我是否正确。

当它停止时，它说明，

{'downloader/request_bytes': 1295950,
 'downloader/request_count': 972,
 'downloader/request_method_count/GET': 972,
 'downloader/response_bytes': 61697740,
 'downloader/response_count': 972,
 'downloader/response_status_count/200': 972,
 'dupefilter/filtered': 1806,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2017, 9, 4, 17, 13, 35, 53156),
 'item_scraped_count': 865,
 'log_count/DEBUG': 1839,
 'log_count/ERROR': 5,
 'log_count/INFO': 11,
 'request_depth_max': 2,
 'response_received_count': 972,
 'scheduler/dequeued': 971,
 'scheduler/dequeued/memory': 971,
 'scheduler/enqueued': 971,
 'scheduler/enqueued/memory': 971,
 'spider_exceptions/TypeError': 5,
 'start_time': datetime.datetime(2017, 9, 4, 17, 9, 56, 132388)}

我不确定是否可以从中读到我是否已达到限制或某事，但如果有人知道，请告诉我，如果我这样做以及如何阻止代码停止。

Answer 1

虽然完整或至少部分的抓取过程日志可以帮助您排除故障，但我会冒险并发布此答案，因为我看到了一件事;我假设是问题

def parse_ad_overview(self, response):                
            for ads in response.xpath('//*[@id="srp-results"]/div[1]/div/div[2]',
                                      ).css('ul').css('li').css('a',
                                           ).xpath('@href').extract():
                yield scrapy.Request(response.urljoin(ads),
                         callback=self.parse_ad)

                next_page = response.css(
            '#srp-results > div.grid-row > div > ul > li.pagination-next > a',
                                        ).xpath('@href').extract_first()
                if next_page is not None:
                    next_page = response.urljoin(next_page)
                    yield scrapy.Request(next_page, callback=self.parse)

我很确定我知道发生了什么，过去遇到了类似的问题，当你从最后一个函数运行你的下一页时，查看你的脚本，Callback将它发送回解析...其中我假设下一页的链接在该实例上http响应...所以只需将回调更改为parse_ad_overview ...

Scrapy在看似随机的点上停止爬行

1 个答案: