Scrapy - 使用 xPathSelector 提取嵌套的“img src”

Posted 2023-02-23

【中文标题】Scrapy - 使用 xPathSelector 提取嵌套的“img src”

【英文标题】：Scrapy - extract nested 'img src' using xPathSelector

【发布时间】：2012-12-03 01:04:00

【问题描述】：

我对使用 Scrapy 或 python 比较陌生。我希望从几个不同的链接中提取，但我在使用 htmlXPathSelector 表达式（语法）时遇到问题。我查看了大量文档以了解正确的语法，但还没有找到解决方案。

这是我尝试从中提取“img src”的链接示例：

Page I am trying to extract the img src url from

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector

class GeekSpider(BaseSpider):
    name = "geekS"
    allowed_domains = ["geek.com"]
    start_urls = ["http://www.geek.com/articles/gadgets/kindle-fire-hd-8-9-on-sale-for-50-off-today-only-20121210/"]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        imgurl = hxs.select("//div[@class='article']//a/img/@src").extract()
        return imgurl

我想我已经弄清楚了 x.select 语句的语法，但是由于我不熟悉这种语法/方法，所以我不确定。

这是我的 items.py 文件，基本上是按照scrapy教程进行的：

from scrapy.item import Item, Field

class GeekItem(Item):
    imgsrc = Field()

澄清一下：我要做的是提取页面上的 img src url。我不需要提取我已经弄清楚的所有图像 src（容易得多）。

我只是想缩小范围，只提取 img src 的特定 url。 （我将在本网站的多个页面中使用它）

非常感谢任何帮助！

编辑 - 更新代码我在使用 geek = geek() 时遇到了一些语法错误，所以我稍微修改了一下，希望更容易理解和运行

【问题讨论】：

所以您只想要可点击链接的图片（即“kindle-fire-hd.jpg”）？

是的，完全正确。我什至不想返回图像本身，只是图像的 url 以便我可以存储它。

为避免混淆，请更新发布的第一个蜘蛛代码并删除第二个。 :)

感谢您的提示，不确定删除旧代码或保留它是否更令人困惑

【参考方案1】：

我相信你的 xpath 表达式应该更像这样。我在另一个页面 (the Amazon shipping center article) 上对其进行了测试，它返回了所有十张可点击的图片。

geek['imgsrc'] = x.select("//div[@class='article']//a/img/@src").extract()

要解决您的其他问题，您需要将 GeekItem 导入您的 GeekSpider 代码。

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from geekspider.items import GeekItem # I'm guessing the name of your project here

class GeekSpider(BaseSpider):
    name = "geekS"
    allowed_domains = ["geek.com"]
    start_urls = ["http://www.geek.com/articles/gadgets/kindle-fire-hd-8-9-on-sale-for-50-off-today-only-20121210/"]

    def parse(self, response):
        item = GeekItem()
        hxs = HtmlXPathSelector(response)
        item['imgsrc'] = hxs.select("//div[@class='article']//a/img/@src").extract()
        return item

【讨论】：

谢谢！自从提出这个问题以来，由于一些语法错误，我稍微改变了蜘蛛。我附上了上面的更新代码。我不再收到错误，但是在检查 scraped_data.json 时，所有返回的都是 [ 符号。有什么想法吗？

我还附上了我的 items.py 文件，我认为它没有任何问题（因为我几乎完全按照 scrapy 教程进行操作），但为了节省可能的时间和混乱，我将其附在上面.我确实注意到我收到一条错误消息，上面写着“蜘蛛必须返回 Request、BaseItem 或 None”。感谢您的帮助！

感谢您的所有帮助，解决了我遇到的困惑和问题。现在我只需要让它跨从我的数据库中提取的多个 url 工作，并将其通过管道传输回我的数据库。应该很有趣。再次感谢！