2

これは、Scrapy フレームワーク内で記述しようとしている Spyder1 のコードです。

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.item import Item
from firm.items import FirmItem

class Spider1(CrawlSpider):
    domain_name = 'wc2'
    start_urls = ['http://www.whitecase.com/Attorneys/List.aspx?LastName=A']
    rules = (
        Rule(SgmlLinkExtractor(allow=["hxs.select(
            '//td[@class='altRow'][1]/a/@href').re('/.a\w+')"]), 
            callback='parse'),
    )

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        JD = FirmItem()
        JD['school'] = hxs.select(
                   '//td[@class="mainColumnTDa"]').re('(?<=(JD,\s))(.*?)(\d+)'
        )
        return JD    

SPIDER = Spider1()

の正規表現はrules、開始 URL から必要なすべてのバイオ URL を正常に取得します。

>>> hxs.select(
...             '//td[@class="altRow"][1]/a/@href').re('/.a\w+')
[u'/cabel', u'/jacevedo', u'/jacuna', u'/aadler', u'/zahmedani', u'/tairisto', u
'/zalbert', u'/salberts', u'/aaleksandrova', u'/malhadeff', u'/nalivojvodic', u'
/kallchurch', u'/jalleyne', u'/lalonzo', u'/malthoff', u'/valvarez', u'/camon',
u'/randerson', u'/eandreeva', u'/pangeli', u'/jangland', u'/mantczak', u'/darany
i', u'/carhold', u'/marora', u'/garrington', u'/jartzinger', u'/sasayama', u'/ma
sschenfeldt', u'/dattanasio', u'/watterbury', u'/jaudrlicka', u'/caverch', u'/fa
yanruoh', u'/razar']
>>>

しかし、コードを実行すると、

[wc2] ERROR: Error processing FirmItem(school=[]) - 

[Failure instance: Traceback: <type 'exceptions.IndexError'>: list index out of range

これは Items.py の FirmItem です

from scrapy.item import Item, Field

class FirmItem(Item):
    school = Field()

    pass

インデックスエラーが発生する場所を理解するのを手伝ってもらえますか?

SgmLinkExtractorと関係があるようです。

私は、このスパイダーを Scrapy で何週間も機能させようと試みてきました。彼らには優れたチュートリアルがありますが、私はPythonとWebプログラミングに慣れていないので、たとえばSgmlLinkExtractor舞台裏でどのように機能するかわかりません.

Python ライブラリを使用して、同じ単純な機能を持つスパイダーを作成する方が簡単でしょうか? コメントや助けをいただければ幸いです。

ありがとう

4

3 に答える 3

1

SgmlLinkExtractor は、「allow」引数でセレクターをサポートしていません。

したがって、これは間違っています:

SgmlLinkExtractor(allow=["hxs.select('//td[@class='altRow'] ...')"])

これは正しいです：

SgmlLinkExtractor(allow=[r"product\.php"])
于 2009-11-26T20:02:09.150 に答える
0

parse 関数は、SgmlLinkExtractor の一致ごとに呼び出されます。

Pablo が述べたように、SgmlLinkExtractor を簡素化する必要があります。

于 2009-11-26T20:09:07.200 に答える
0

また、最初の URL から取得した名前をリストに入れ、各名前をhttp://www.whitecase.com/aabbas(/aabbas の場合) として絶対 URL の形式で解析するようにしました。

次のコードはリストをループしますが、これを parse に渡す方法がわかりません。これは良い考えだと思いますか？

baseurl = 'http://www.whitecase.com'
names = ['aabbas', '/cabel', '/jacevedo', '/jacuna', '/igbadegesin']

def makeurl(baseurl, names):
  for x in names:
      url = baseurl + x
      baseurl = 'http://www.whitecase.com'
      x = ''
      return url
于 2009-11-26T21:15:23.667 に答える