Question

我正在抓取一个电子商务网站，除了最后一页之外，每个网页上有48个产品。

我正在使用Scrapy。问题是，它不是从页面中抓取所有产品。例如，它从第1页，第18页，第2页，第10页，第3页，第19页从第4页第10页，依此类推。它应该从每页抓取所有48种产品，但它没有。

以下是我的脚本。在过去的两天里，我无法弄清楚我做错了什么。

更新我在抓取之前重复了网址列表并添加了日志消息以找出问题所在。目前的代码：

import scrapy
from productspider.items import Product
from urlparse import urlparse


class Ecommerce(scrapy.Spider):
    name = "ecommerce"

    def __init__(self, *args, **kwargs):
        urls = kwargs.pop('urls', [])
        if urls:
            self.start_urls = urls.split(',')
        self.logger.info(self.start_urls)
        super(Ecommerce, self).__init__(*args, **kwargs)

    page = 1
    parse_product_called = 0

    def parse(self, response):

        url = response.url
        if url.endswith('/'):
            url = url.rstrip('/')

        o = urlparse(url)

        products = response.xpath(
            "//a[contains(@href, '" + o.path + "/products/')]/@href").extract()

        if not products:
            raise scrapy.exceptions.CloseSpider("All products scraped")

        products = dedupe(products)

        self.logger.info("Products found on page %s = %s" % (self.page, len(products)))
        for product in products:
            yield scrapy.Request(response.urljoin(product), self.parse_product)

        self.page += 1
        next_page = o.path + "?page=" + str(self.page)
        yield scrapy.Request(response.urljoin(next_page), self.parse)

    def parse_product(self, response):

        self.parse_product_called += 1
        self.logger.info("Parse product called %s time" % self.parse_product_called)

        product = Product()
        product["name"] = response.xpath(
            "//meta[@property='og:title']/@content")[0].extract()
        product["price"] = response.xpath(
            "//meta[@property='og:price:amount']/@content")[0].extract()

        return product

def dedupe(seq, idfun=None):
   if idfun is None:
       def idfun(x): return x
   seen = {}
   result = []
   for item in seq:
       marker = idfun(item)
       if marker in seen: continue
       seen[marker] = 1
       result.append(item)
   return result

抓取后的Scrapy日志：

2017-12-30 13:18:55 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 86621,
 'downloader/request_count': 203,
 'downloader/request_method_count/GET': 203,
 'downloader/response_bytes': 10925361,
 'downloader/response_count': 203,
 'downloader/response_status_count/200': 203,
 'finish_reason': 'All products scraped',
 'finish_time': datetime.datetime(2017, 12, 30, 7, 48, 55, 370000),
 'item_scraped_count': 193,
 'log_count/DEBUG': 397,
 'log_count/INFO': 210,
 'request_depth_max': 9,
 'response_received_count': 203,
 'scheduler/dequeued': 203,
 'scheduler/dequeued/memory': 203,
 'scheduler/enqueued': 418,
 'scheduler/enqueued/memory': 418,
 'start_time': datetime.datetime(2017, 12, 30, 7, 48, 22, 405000)}
2017-12-30 13:18:55 [scrapy.core.engine] INFO: Spider closed (All products scraped)

日志消息：

2017-12-30 13:18:25 [电子商务]信息：第1页上的产品= 48

2017-12-30 13:18:32 [电子商务]信息：第2页上的产品= 48

2017-12-30 13:18:35 [电子商务]信息：第3页上的产品= 48

2017-12-30 13:18:38 [电子商务]信息：第4页上的产品= 48

2017-12-30 13:18:41 [电子商务]信息：第5页上的产品= 48

2017-12-30 13:18:43 [电子商务]信息：第6页上的产品= 48

2017-12-30 13:18:45 [电子商务]信息：第7页上的产品= 48

2017-12-30 13:18:48 [电子商务]信息：第8页上的产品= 48

2017-12-30 13:18:51 [电子商务]信息：第9页上的产品= 24

log＆＃34;解析产品名为＆＃34;每次调用parse_product时都会打印出来。最后一条日志消息是：

2017-12-30 13:18:55 [电子商务]信息：解析产品叫做193次

正如你所看到的，它总共发现了408种产品，但只称19 parse_product功能。因此只有193种产品被刮掉。

Answer 1

代码中的两个问题

关闭刮刀

if not products:
   raise scrapy.exceptions.CloseSpider("All products scraped")

使用上面的命令，请求蜘蛛尽快终止。这不是一件好事。这仅在您不希望继续进行抓取时使用

没有结束刮刀

self.page += 1
next_page = o.path + "?page=" + str(self.page)
yield scrapy.Request(response.urljoin(next_page), self.parse)

你有一个不受控制的分页逻辑需要结束。因此，您可以使用任何没有48个产品的页面是最后一页的事实

self.page += 1
next_page = o.path + "?page=" + str(self.page)
if len(products) == 48:
   yield scrapy.Request(response.urljoin(next_page), self.parse)

Scrapy不会刮擦页面上的所有项目

1 个答案: