2

編集：これは解決されました！XPATH が問題でした。

私はとても混乱しています。非常に単純なスパイダーを作成して、Web サイト (talkbass.com) をクロールして、分類された低音セクション (http://www.talkbass.com/forum/f126/) のすべてのリンクのリストを取得しようとしています。 . チュートリアルに基づいてスパイダーを作成しました（比較的簡単に完了しました）が、これは機能していません。ルールも取り入れようとしたので、おそらく多くの間違いを犯していますが、何も返されません。

私のアイテムコードは:

from scrapy.item import Item, Field
class BassItem(Item):
    title = Field()
    link = Field()
    print title, link

私のスパイダーコードは次のとおりです。

from scrapy.spider import BaseSpider 
from scrapy.contrib.spiders import Rule 
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor 
from scrapy.selector import HtmlXPathSelector
from tutorial.items import BassItem
class BassSpider(BaseSpider):
    name = "bass"
    allowed_domains = ["www.talkbass.com"]
    start_urls = ["http://www.talkbass.com/forum/f126/"]

    rules = (
        # Extract links matching 'f126/xxx'
        # and follow links from them (since no callback means follow=True by default).
        Rule(SgmlLinkExtractor(allow=('/f126/(\d*)/', ), ))
    )

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        ads = hxs.select('/html/body/div/div/div/table/tbody/tr/td/form/table/tbody')
        items = []
        for ad in ads:
            item = BassItem()
            item['title'] = ad.select('a/text()').extract()
            item['link'] = ad.select('a/@href').extract()
            items.append(item)
        return items

エラーは発生しませんが、ログには何も返されません。コンソールに表示される内容は次のとおりです。

C:\Python27\Scrapy\tutorial>scrapy crawl bass
2013-01-07 14:36:49+0800 [scrapy] INFO: Scrapy 0.16.3 started (bot: tutorial)
2013-01-07 14:36:49+0800 [scrapy] DEBUG: Enabled extensions: LogStats, TelnetConsole, CloseSpider, WebService, Co
reStats, SpiderState
{} {}
2013-01-07 14:36:51+0800 [scrapy] DEBUG: Enabled downloader middlewares: HttpAuthMiddleware, DownloadTimeoutMiddl
eware, UserAgentMiddleware, RetryMiddleware, DefaultHeadersMiddleware, RedirectMiddleware, CookiesMiddleware, Htt
pCompressionMiddleware, ChunkedTransferMiddleware, DownloaderStats
2013-01-07 14:36:51+0800 [scrapy] DEBUG: Enabled spider middlewares: HttpErrorMiddleware, OffsiteMiddleware, Refe
rerMiddleware, UrlLengthMiddleware, DepthMiddleware
2013-01-07 14:36:51+0800 [scrapy] DEBUG: Enabled item pipelines:
2013-01-07 14:36:51+0800 [bass] INFO: Spider opened
2013-01-07 14:36:51+0800 [bass] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2013-01-07 14:36:51+0800 [scrapy] DEBUG: Telnet console listening on 0.0.0.0:6023
2013-01-07 14:36:51+0800 [scrapy] DEBUG: Web service listening on 0.0.0.0:6080
2013-01-07 14:36:52+0800 [bass] DEBUG: Crawled (200) <GET http://www.talkbass.com/forum/f126/> (referer: None)
2013-01-07 14:36:52+0800 [bass] INFO: Closing spider (finished)
2013-01-07 14:36:52+0800 [bass] INFO: Dumping Scrapy stats:
        {'downloader/request_bytes': 233,
         'downloader/request_count': 1,
         'downloader/request_method_count/GET': 1,
         'downloader/response_bytes': 17997,
         'downloader/response_count': 1,
         'downloader/response_status_count/200': 1,
         'finish_reason': 'finished',
         'finish_time': datetime.datetime(2013, 1, 7, 6, 36, 52, 305000),
         'log_count/DEBUG': 7,
         'log_count/INFO': 4,
         'response_received_count': 1,
         'scheduler/dequeued': 1,
         'scheduler/dequeued/memory': 1,
         'scheduler/enqueued': 1,
         'scheduler/enqueued/memory': 1,
         'start_time': datetime.datetime(2013, 1, 7, 6, 36, 51, 458000)}
2013-01-07 14:36:52+0800 [bass] INFO: Spider closed (finished)

私は実際のプロジェクトを行ったことがなく、これは始めるのに適した場所だと思いましたが、これを正すことはできないようです.

XPathが正しいかどうかもわかりません。XPath ヘルパーと呼ばれる chrome 拡張機能を使用しています。必要なセクションの 1 つの例は次のとおりです。

/html/body/div[1]/div[@class='page']/div/table[5]/tbody/tr/td[2]/form[@id='inlinemodform']/table[@id='threadslist']/tbody[@id='threadbitsforum126']/tr[6]/td[@id='td_threadtitle944468']/div[1]/a[@id='thread_title944468']

ただし、「 tr[6] 」と「 944468 」が表示されている場合、これらは各リンクで一定ではありません (他のすべては一定です)。クラス名と番号を削除しただけで、スパイダー コードに表示される内容が残りました。

また、追加するだけです-XPathヘルパーから直接XPathをコピーして貼り付けると、構文エラーが発生します：

    ads = hxs.select('/html/body/div[1]/div[@class='page']/div/table[5]/tbody/tr/td[2]/form[@id='inlinemodform']/table[@id='threadslist']/tbody[@id='threadbits_forum_126']/tr[6]/td[@id='td_threadtitle_944468']/div[1]/a[@id='thread_title_944468']')
                                                                                                                                                                                       ^
SyntaxError: invalid syntax

私はそれをいじってみました（要素が一定ではないワイルドカードを使用して）、試行するたびに構文エラーを受け取りました

4

4 に答える 4

1

この問題を引き起こしている可能性のある理由の 1 つは、ルールを実装していない BaseSpider を使用していることです。

BaseSpider を CrawlSpider に変更してみてください。また、(CrawlSpider は関数を実装するため) のparseような名前に変更する必要があります。これには、ルールで明示的にコールバックを設定する必要があります。例えば：parse_itemparse

rules = (
    # Extract links matching 'f126/xxx'
    # and follow links from them (since no callback means follow=True by default).
    Rule(SgmlLinkExtractor(allow=('index\d+\.html', )), callback='parse_item'),
)

試行する更新された Xpath は次のとおりです。これにはすべてのスティッキー スレッドが含まれることに注意してください。そのため、OP がそれらを除外する方法を検討するための演習として残されています。

ads = hxs.select("//td[substring(@id, 1, 15) = 'td_threadtitle_']/div/a")
于 2013-01-07T12:14:49.690 に答える
1

サポートされていない BaseSpider でルールを使用しようとしているという事実に加えて、その hxs.select ステートメントとの一致を見つけていますか? コマンド プロンプトを開いて、scrapy shell http://www.talkbass.com/forum/f126/を実行してみてください。

次に入力します。

hxs.select('/html/body/div/div/div/table/tbody/tr/td/form/table/tbody')

それから;

hxs.select('/html/body/div/div/div/table/tbody/tr/td/form/table/tbody/a/text()')

それから;

hxs.select('/html/body/div/div/div/table/tbody/tr/td/form/table/tbody/a/@href')

一致するものが見つかった場合は、物事を簡単に試してみてください。 

item = BassItem()
item['title'] = ad.select('/html/body/div/div/div/table/tbody/tr/td/form/table/tbody/a/text()').extract()
return item

次に、アイテムパイプラインで

for i in item['title']:
    print i

要するに、hxs.select ステートメントが正しくないため、スパイダーを実行する直前にシェルを開いて hxs.select ステートメントがあることがわかるまで、常にテストする必要があります。

于 2013-01-07T16:30:33.603 に答える
0

前述のように、ここではXPathが大きな問題でした。'// table [@ id = "threadslist"] / tbody / tr / td [@ class = "alt1"] [2]/div'に編集されました

于 2013-01-10T04:24:54.287 に答える
0

コードにはいくつかの問題があります。

BaseSpiderはルールをサポートしていません 

class BassSpider(BaseSpider):

BaseSpiderではなくCrawlSpiderからクローラーを拡張すると、リンクのクロールが開始されます。

class BassSpider(CrawlSpider):

抽出部分に

ads = hxs.select('/html/body/div/div/div/table/tbody/tr/td/form/table/tbody')

Xpath を絶対ではなく相対に変換し、

ほとんどの場合、tbodyタグはソースには存在しませんが、ブラウザーはレンダリング中にこれを表示します。そのため、tbody を含む Xapth はブラウザーでは機能しますが、コードでは機能しません。したがって、tbody タグを xpath で使用しないことをお勧めします。

于 2013-01-08T09:08:53.453 に答える