2016-08-21 131 views
0

我製作了scrapy蜘蛛,我想抓取所有頁面,但只抓取到第二頁然後停止。 似乎在if next_page:循環中url只會變成第二頁然後粘在那裏。我想我誤解了http響應的工作方式,因爲它似乎只抓取起始頁面上的下一頁鏈接。Scrapy只抓取一頁

import scrapy 

from tutorial.items import TriniCarsItem 

class TCS(scrapy.Spider): 
    name = "TCS" 
    allowed_domains = ["TCS.com"] 
    start_urls = [ 
     "http://www.TCS.com/database/featuredcarsList.php"] 

    def parse(self, response): 
     for href in response.css("table > tr > td > a::attr('href')"): 
      url = response.urljoin(href.extract()) 
      yield(scrapy.Request(url, callback=self.parse_dir_contents)) 
     next_page = response.css("body > table > tr > td > font > b > a::attr('href')") 
     if next_page: 
      url = response.urljoin(next_page[0].extract()) 
      print("THIS IS THE URL =----------------------------- " + url) 
      yield(scrapy.Request(url, self.parse)) 

    def parse_dir_contents(self, response): 
     for sel in response.xpath('//table[@width="543"]/tr/td/table/tr/td[2]/table'): 
      item = TCSItem() 
      item['id'] = sel.xpath('tr[1]/td[1]//text()').extract() 
      item['make'] = sel.xpath('tr[3]/td[2]//text()').extract() 
      item['model'] = sel.xpath('tr[4]/td[2]//text()').extract() 
      item['year'] = sel.xpath('tr[5]/td[2]//text()').extract() 
      item['colour'] = sel.xpath('tr[6]/td[2]//text()').extract() 
      item['engine_size'] = sel.xpath('tr[7]/td[2]//text()').extract() 
      item['mileage'] = sel.xpath('tr[8]/td[2]//text()').extract() 
      item['transmission'] = sel.xpath('tr[9]/td[2]//text()').extract() 
      item['features'] = sel.xpath('tr[11]/td[2]//text()').extract() 
      item['additional_info'] = sel.xpath('tr[12]/td[2]//text()').extract() 
      item['contact_name'] = sel.xpath('tr[14]/td[2]//text()').extract() 
      item['contact_phone'] = sel.xpath('tr[15]/td[2]//text()').extract() 
      item['contact_email'] = sel.xpath('tr[16]/td[2]//text()').extract() 
      item['asking_price'] = sel.xpath('tr[17]/td[2]//text()').extract() 
      item['date_added'] = sel.xpath('tr[19]/td[2]//text()').extract() 
      item['page_views'] = sel.xpath('tr[20]/td[2]//text()').extract() 
      #print(make, model, year, colour, engine_size, mileage, transmission, features, 
      #additional_info, contact_name, contact_phone, contact_email, asking_price, date_added, 
      #page_views) 
      yield(item) 
+0

你是否print'語句返回你期待的URL? –

+0

它確實,但只有第二頁,它沒有得到第三頁,等等 – Jimbo

+0

是否一遍又一遍地打印相同的URL或只打印一次? –

回答

1

在第二頁上,第一個鏈接(您選擇的)是指向上一頁的鏈接。只要發送任何鏈接的順序,並讓解除複製器取消任何重複:

if next_page: 
     for i in next_page 
      url = response.urljoin(i.extract()) 
      print("THIS IS THE URL =----------------------------- " + url) 
      yield(scrapy.Request(url, self.parse)) 

P.S.在你的情況下,考慮更容易和更大規模的並行:

start_urls = [ 
    "http://www.trinicarsforsale.com/database/featuredcarsList.php?page=%d" % i for i in xrange(1, 460)] 

def parse(self, response): 
    return self.parse_dir_contents(response): 
+0

感謝neverlastn,我嘗試了你的第一個建議,但它不起作用,但我同意用範圍生成我的網址會更簡單。謝謝! – Jimbo

+0

你可以做一個URL的打印,並試圖看看爲什麼它不會給你正確的結果?當我在第二頁上嘗試時,它給了我page = 3個URL – neverlastn