我已經遇到了一個我放在一起的蜘蛛問題。我試圖從this site上的腳本中找到單行,並找到了一些合適的選擇器,但是在運行時,蜘蛛的輸出只是一遍又一遍的重複。我見過其他類似問題的其他人(like this),但還沒有找到解決我的問題的答案。Scrapy Spider一次又一次地返回相同的元素
(作爲一個說明,我認爲這可能是我的基地Python的編碼和for
環路建設的問題,而不是一個問題與scrapy
本身)。
這裏是蜘蛛:
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class TalSpider(CrawlSpider):
name = 'tal'
allowed_domains = ['https://www.thisamericanlife.org/radio-archives/episode/']
start_urls = ['https://www.thisamericanlife.org/radio-archives/episode/1/transcript/']
def parse(self, response):
for line in response.xpath('//div'):
episode_num_text = line.xpath('//div[contains(@class, "radio-wrapper")]/@id').extract()
radio_date_text = line.xpath('//div[contains(@class, "radio-date")]/text()').extract()
episode_title = line.xpath('//h2').xpath('a[contains(@href, *)]/text()').extract()
begin_timestamp = line.xpath('//p[contains(@begin, *)]/@begin').extract()
speaker_class = line.xpath('//div/@class').extract()
speaker_name = line.xpath('//h4/text()').extract()
line_text = line.xpath('//p[contains(@begin, *)]/text()').extract()
full_audio_link = line.xpath('//p[contains(@class, "full-audio")]/text()').extract()
for item in zip(episode_num_text, radio_date_text, episode_title, begin_timestamp, speaker_class, speaker_name, line_text, full_audio_link):
scraped_info = {
'episode_num_text' : item[0],
'radio_date_text' : item[1],
'episode_title' : item[2],
'begin_timestamp' : item[3],
'speaker_class' : item[4],
'speaker_name' : item[5],
'line_text' : item[6],
'full_audio_link' : item[7],
}
yield scraped_info
這裏是該.csv輸出 which shows the repeated output.
的問題似乎在於在for
循環的屏幕抓取。我的想法是這樣的:對於這個選擇器列表中的每個選擇器,拉一個由for循環中的項定義的元素的子集。相反,它似乎在執行:對於此列表中的177個選擇器中的每一個,返回每個定義的項目的第一個元素。
我很高興澄清任何這些問題,並將不勝感激任何人都可以提供的幫助!
你只需要在循環內用一個點來啓動你的xpath表達式,使它們與上下文相關。 – alecxe