scrapy突然创建多个项目

Posted

技术标签:

【中文标题】scrapy突然创建多个项目【英文标题】:scrapy suddenly create multiple item 【发布时间】:2022-01-21 17:42:31 【问题描述】:

Scrapy 随机返回比预期更多的嵌套 json 数量

这是我的代码的简短版本:

import scrapy
from scrapy import Selector
from eventSpider.items import EventspiderItem
import urllib.parse

class EventsSpider(scrapy.Spider):
    name = 'eventSpider'
    
    # base url to link to the end url we receive
    baseUrl = "http://www.olympedia.org"
    
    def start_requests(self):
        start_urls = [
            'http://www.olympedia.org/editions'
        ]
        
        for url in start_urls:
            yield scrapy.Request(url=url, callback=self.parse_urls)
            
    def parse_urls(self, response):
        """
        Go through the table of owinter olympics
        Get all the url to those olympics events
        Send the urls down to parse items to get the items of interest
        """        
        # remove the last 2 as the events haven't happened yet
        for tr in response.xpath("//table[2]//tr")[:-2]:
            url = tr.xpath('td[1]//a//@href').extract_first()
            # check for None. In this case, we elimiate the 2 events that was canelled
            if url is None:
                continue
            else:
                url_to_check = urllib.parse.urljoin(self.baseUrl, url)
                yield scrapy.Request(url=url_to_check, callback=self.parse_items)

    def parse_items(self, response):
    """
    Get the items of interest
    Extract the list of disciplines and their url
    pass the url 
    """
    item = EventspiderItem()
    selector = Selector(response)
    table1_rows = selector.xpath("//table[1]//tr")
    
    item['event_title'] = table1_rows[1].xpath('td//text()').extract_first()
    item['event_place'] = table1_rows[2].xpath('td//text()').extract_first()

    table2 = selector.xpath("//table[3]//tr")
    
    discipline_list = []
    url_list = []

    for tr in table2:            
        urls = tr.xpath('td//a//@href').extract()
        disciplines = tr.xpath('td//a//text()').extract()
        
        for url in urls:
            # # check if we get empty list
            # if not url:
            #     continue
            # else:
            url_list.append(url)   
        for discipline in disciplines:
            discipline_list.append(discipline)
    for i, url in enumerate(url_list):
        final_url = urllib.parse.urljoin(self.baseUrl, url)
        event_name = item['event_title'] + " " + discipline_list[i]
        yield scrapy.Request(url=final_url, callback=self.parse_sports, meta='event_item': item, 'discipline': event_name)

直到这里,如果我只是使用return item 而不是在最后一行中使用yield,一切都很好。如果我现在return item,我会得到 23 嵌套 json,这正是我所期望的。

当我尝试生成我在 final_url 中获得的 url(也有 23 个)时,问题出现了,嵌套 json 的数量由于某种原因跳转到 248

def parse_sports(self, response):
    selector = Selector(response)
    item = response.meta.get('event_item')
    return item

我不知道为什么会这样。任何帮助将不胜感激

【问题讨论】:

【参考方案1】:

要在选择 table2 后选择 xpath,您必须使用 .// 并尝试此操作。

   table2 = selector.xpath("//table[3]//tr")

   discipline_list = []
    url_list = []

    for tr in table2:            
        urls = tr.xpath('.//td//a//@href').extract()
        disciplines = tr.xpath('.//td//a//text()').extract()

【讨论】:

我的 table2 的 xpath 工作得很好。如前所述,问题在于当我尝试生成 23 url 时,由于某种原因,项目数从 23 变为 248 加1如下:for i, url in enumerate(url_list, 1)

以上是关于scrapy突然创建多个项目的主要内容,如果未能解决你的问题,请参考以下文章

Visual Studio 中的项目引用突然无法在工作站上运行

Selenium+Maven+Jenkins+testNg自动生成测试报告

干货!Git 如何使用多个托管平台管理代码

尝试运行android应用程序时突然发现多个未找到

IDEA中如何创建多个项目--亲测有效--新手必看

IDEA中如何创建多个项目--亲测有效--新手必看