【发布时间】:2020-01-24 11:37:46
【问题描述】:
我对网络抓取非常陌生。我设法从静态网站中提取信息,但现在我正在尝试跟踪 url 并提取数据(这当然涉及一些 javascript)。我已经安装了同样运行良好的scrapy-splash。 我要抓取的网站是 https://www.ta.com/portfolio/investments/ari-network-services-inc,右上角的按钮会将您带到下一页(这是 javascript,因此是 splash)。我想在所有页面上抓取一些基本数据(如公司名称、行业等),直到最后一页。这是我到目前为止所做的,我需要帮助来纠正它以成功执行。
import scrapy
from scrapy_splash import SplashRequest
import urllib.parse as urlparse
class TAFolio(scrapy.Spider):
name = 'Portfolio'
start_urls = ['https://www.ta.com/portfolio/investments/ari-network-services-inc']
def start_requests(self):
for url in self.start_urls:
yield SplashRequest(url=url, callback = self.parse, args={"wait" : 3})
def parse(self, response):
companyname = response.css('h1.item_detail-main-info-heading::text').extract_first()
sectors = response.css('.item_detail-main-info-group-item::text')[0].extract()
investmentyear = response.css('.item_detail-main-info-group-item::text')[1].extract()
status = response.css('.item_detail-main-info-group-item::text')[2].extract()
location = response.css('.item_detail-main-info-group-item::text')[3].extract()
region = response.css('.item_detail-main-info-group-item::text')[4].extract()
team = response.css('div.item_detail-main-info-group a::text').extract()
yield {
'companyname': companyname,
'sectors': sectors,
'investmentyear': investmentyear,
'status': status,
'location': location,
'region': region,
'team': team
}
next_page = response.css('li.item_detail-nav-item--next a::attr(href)').extract()
if next_page is not None:
yield SplashRequest(urlparse.urljoin('https://www.ta.com',next_page),callback=self.parse, args={"wait":3})
这为我提供了 start_url 的正确信息,但不会进入下一页。
【问题讨论】:
-
你在问什么?
-
我试图了解我的问题在哪里,让scrapy 去下一页并抓取它,直到没有更多的页面可以去。使用此代码,抓取停止在第一页本身。 @Rainb
-
我想,你需要更好地表达你的问题,不清楚为什么没有更多的上下文就不能工作,或者举一个非常具体的例子,否则很难提供帮助:(跨度>
-
解决了这个问题,谢谢!
-
然后将其作为答案发布。
标签: scrapy web-crawler scrapy-splash