使用 scrapy 时，抓取了 0 个页面（以 0 页/分钟的速度），抓取了 0 个项目（以 0 个项目/分钟的速度）

时间：2021-02-13 15:49:28

标签： python web-scraping beautifulsoup scrapy

正如标题中提到的，我使用scrapy从特定页面（一个网站/一个域）中提取数据。现在我想描述一下，我的代码将要做什么。

  1. 抓取工具从波兰最著名的汽车广告门户网站之一 - OTOMOTO (https://otomoto.pl) 收集数据。它从特定的优惠页面中提取数据。

  2. 首先，用户输入汽车品牌，然后输入汽车型号。程序检查是否有这样的品牌/品牌（品牌列表/数组是之前收集的 - 使用 BeautifulSoup；然后提取汽车模型列表 - 也使用 BeautifulSoup）。它工作得很好。

    在此代码的最终版本中，我还将收集一些额外的参数/过滤器，例如价格范围或生产年份范围。但让我们暂时离开它。这只是关于链接创建。

  3. 如果满足这些条件，则会在上述条件下（使用品牌和型号）创建包含优惠列表的 URL，如下所示：https://otomoto.pl/osobowe/BRAND/MODEL（例如：{{3} })。这是收集此链接内特定优惠的 URL 的起点。我只收集第一页的结果，不想过多地利用服务器。这就是为什么在这种情况下不需要实施用于抓取的规则。

  4. 然后，BeautifulSoup 找到满足offer page 模式的URL：https://otomoto.pl/osobowe/opel/corsa（例如：https://otomoto.pl/oferta/BRAND-MODEL-blah-blah-blah） - 然后添加到数组中。此数组变量设置为全局变量。

  5. 此时，我遇到了一个问题。因为我想从这个特定页面获取数据（如里程、颜色、发动机功率等）——所有这些都是发布广告所必需的，所以不需要检查该变量是否出现在页面上。然后这些数据应该分配给一个特定的对象（一个“汽车”）——这就是为什么我想到了 Scrapy 的 Item 扩展。 （我想在最后保存为 json 文件或 csv - 但让我们暂时保留它）。

简而言之：这个蜘蛛只是从定义的网站（根据用户的限制）收集数据，这些数据存储在动态创建的数组中。

我所做的：

  • 我创建了使用以下代码描述的 Item 类：
class otoMotoCarObjects(scrapy.Item):
    url = scrapy.Field()
    offerID = scrapy.Field()
    addDate = scrapy.Field()
    offerType = scrapy.Field()
    brand = scrapy.Field()
    model = scrapy.Field()
    price = scrapy.Field()
    productionYear = scrapy.Field()
    mileage = scrapy.Field()
    fuelType = scrapy.Field()
    power = scrapy.Field()
    cubicCapacity = scrapy.Field()
    gearbox = scrapy.Field()
    driveType = scrapy.Field()
    color = scrapy.Field()
    countryImport = scrapy.Field()
    location = scrapy.Field()
    state = scrapy.Field()
  • 我导入了必要的库：
class otoMotoCarObjects(scrapy.Item): url = scrapy.Field() offerID = scrapy.Field() addDate = scrapy.Field() offerType = scrapy.Field() brand = scrapy.Field() model = scrapy.Field() price = scrapy.Field() productionYear = scrapy.Field() mileage = scrapy.Field() fuelType = scrapy.Field() power = scrapy.Field() cubicCapacity = scrapy.Field() gearbox = scrapy.Field() driveType = scrapy.Field() color = scrapy.Field() countryImport = scrapy.Field() location = scrapy.Field() state = scrapy.Field()
  • 并且我创建了负责抓取（抓取）的类：
import scrapy
from scrapy.crawler import CrawlerProcess
from scrapy.spiders import CrawlSpider, Rule
from scrapy.http import Request
from scrapy.linkextractors import LinkExtractor

值得一提的是，评论部分的代码（返回scrapy.Request ...）也不起作用，但我留下它供您参考。 （也许它是好的，但诱导不当？） - 我将它与 yield

互换使用

使用以下代码在 main 函数中启动此抓取工具：
import scrapy from scrapy.crawler import CrawlerProcess from scrapy.spiders import CrawlSpider, Rule from scrapy.http import Request from scrapy.linkextractors import LinkExtractor
（其中， 

class otoMotoCarScraper(CrawlSpider):
name = 'car'
allowed_domains = ['otomoto.pl']

def __init__(self, urls=[], *args, **kwargs):
    super(otoMotoCarScraper, self).__init__(*args, **kwargs)
    self.start_urls = urls


def start_requests(self):
    for url in self.start_urls:
        yield Request(url, callback=self.parse_items)
    """
    return [scrapy.Request(url=url, callback=self.parse)
            for url in self.start_urls]
    """

def parse_items(self, response):
    car = otoMotoCarObjects()
    car['url'] = response.url
    print(car['url'])
    car['offerID'] = response.xpath('//div[@id="ad-id"]//text()').extract_first()
    print(car['offerID'])
    car['addDate'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[2]/div[1]/div[2]/div[4]/span[3]/text()').extract()
    car['offerType'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[1]/div/a/text()').extract()
    car['brand'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[3]/div/a/text()').extract()
    car['model'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[4]/div/a/text()').extract()
    car['price'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[2]/div[1]/div[1]/div[2]/div/span[1]/text()').extract()
    car['productionYear'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[5]/div/text()').extract()
    car['mileage'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[6]/div/text()').extract()
    car['fuelType'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[8]/div/a/text()').extract()
    car['power'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[9]/div/text()').extract()
    car['cubicCapacity'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[7]/div/text()').extract()
    car['gearbox'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[10]/div/a/text()').extract()
    car['driveType'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[11]/div/a/text()').extract()
    car['color'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[2]/li[3]/div/a/text()').extract()
    car['countryImport'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[2]/li[8]/div/a/text()').extract()
    car['location'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[2]/div[1]/div[2]/div[4]/span[3]/text()').extract()
    car['state'] = response.xpath(
        '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[2]/li[10]/div/a/text()').extract()
    yield car

process = CrawlerProcess()
表示此抓取工具所在的导入文件，class otoMotoCarScraper(CrawlSpider): name = 'car' allowed_domains = ['otomoto.pl'] def __init__(self, urls=[], *args, **kwargs): super(otoMotoCarScraper, self).__init__(*args, **kwargs) self.start_urls = urls def start_requests(self): for url in self.start_urls: yield Request(url, callback=self.parse_items) """ return [scrapy.Request(url=url, callback=self.parse) for url in self.start_urls] """ def parse_items(self, response): car = otoMotoCarObjects() car['url'] = response.url print(car['url']) car['offerID'] = response.xpath('//div[@id="ad-id"]//text()').extract_first() print(car['offerID']) car['addDate'] = response.xpath( '/html/body/div[3]/main/div[2]/div[2]/div[1]/div[2]/div[4]/span[3]/text()').extract() car['offerType'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[1]/div/a/text()').extract() car['brand'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[3]/div/a/text()').extract() car['model'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[4]/div/a/text()').extract() car['price'] = response.xpath( '/html/body/div[3]/main/div[2]/div[2]/div[1]/div[1]/div[2]/div/span[1]/text()').extract() car['productionYear'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[5]/div/text()').extract() car['mileage'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[6]/div/text()').extract() car['fuelType'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[8]/div/a/text()').extract() car['power'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[9]/div/text()').extract() car['cubicCapacity'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[7]/div/text()').extract() car['gearbox'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[10]/div/a/text()').extract() car['driveType'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[1]/li[11]/div/a/text()').extract() car['color'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[2]/li[3]/div/a/text()').extract() car['countryImport'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[2]/li[8]/div/a/text()').extract() car['location'] = response.xpath( '/html/body/div[3]/main/div[2]/div[2]/div[1]/div[2]/div[4]/span[3]/text()').extract() car['state'] = response.xpath( '/html/body/div[3]/main/div[2]/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/ul[2]/li[10]/div/a/text()').extract() yield car process = CrawlerProcess() 表示导入的文件，其中定义了函数，因此存储了 scr.otoMotoCarScraper.process.crawl(scr.otoMotoCarScraper, urls=fun.offerUrls) 表）。

Scrapy 日志如下：

scr

如您所见，不幸的是，我抓取/抓取了 0 个页面，如下行所示：
fun

我尝试打印 offerUrls - 在 2021-02-13 14:39:29 [scrapy.crawler] INFO: Overridden settings: {} 2021-02-13 14:39:29 [scrapy.extensions.telnet] INFO: Telnet Password: 85e67e930e79de1f 2021-02-13 14:39:29 [scrapy.middleware] INFO: Enabled extensions: ['scrapy.extensions.corestats.CoreStats', 'scrapy.extensions.telnet.TelnetConsole', 'scrapy.extensions.logstats.LogStats'] 2021-02-13 14:39:29 [scrapy.middleware] INFO: Enabled downloader middlewares: ['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware', 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware', 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware', 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware', 'scrapy.downloadermiddlewares.retry.RetryMiddleware', 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware', 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware', 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware', 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware', 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware', 'scrapy.downloadermiddlewares.stats.DownloaderStats'] 2021-02-13 14:39:29 [scrapy.middleware] INFO: Enabled spider middlewares: ['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware', 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware', 'scrapy.spidermiddlewares.referer.RefererMiddleware', 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware', 'scrapy.spidermiddlewares.depth.DepthMiddleware'] 2021-02-13 14:39:29 [scrapy.middleware] INFO: Enabled item pipelines: [] 2021-02-13 14:39:29 [scrapy.core.engine] INFO: Spider opened 2021-02-13 14:39:29 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 2021-02-13 14:39:29 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023 函数内，它正确显示为表格 - 我认为这是将参数传递给刮刀的东西，但它似乎很不错。

我也尝试更改 2021-02-13 14:39:29 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) - 并将其转换为 self.start_urls 但也没有任何反应。

我的想法：

  • 也许是因为没有正确实现 XPath？
    • 我尝试了较短和较长版本的 XPath（并打印它们以供试用） - 因为它可以从代码中扣除 - 但仍然没有任何反应
  • 也许问题仍然在于传递参数？
  • 也许 __init__ 没有正确创建？
  • 或者可能是关于return？

0 个答案:

没有答案
相关问题
最新问题