用 scrapy 抓取每个 tabledata

Question

简介

在使用scrapy 几个星期之后，我仍然有一些问题，要弄清楚，一些xpath 表达式。 大多数情况下，我在提取表格数据和“ul 和 li”标签时遇到了大问题。

示例 我尝试获取以下数据的网页： https://www.karton.eu/460x310x160-mm-Postal-Shipping-Box

有一个名为：“Productdata”的表，我需要每一行，但我没有得到它。 我试过类似的东西： response.xpath('//*[@id="2"]/tr/td/text()').getall(), response.xpath('//table[@class="table table-striped"]/tr/td/text()').getall()

我的代码

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from ..items import KartoneuItem
import csv

class KartoneuSpider(scrapy.Spider):
    name = "karton13"
    allowed_domains = ['karton.eu']
    with open("kartonsalllinks.csv","r") as f:
        reader = csv.DictReader(f)
        start_urls = [items['Link'] for items in reader]
    
    rules = (
        Rule(LinkExtractor(), callback='parse'),
    )

    def parse(self, response):
        card = response.xpath('//div[@class="product-info-inner"]')

        if not card:
            print('No productlink', response.url)

        for a in card:

            items = KartoneuItem()
            items['SKU'] = a.xpath('.//span[@class="art_nr"]/strong/text()').get()
            items['Title'] = a.xpath('.//h1[@class="fn product-title"]/text()').get()
            items['Link'] = a.url
            items['Price'] = a.xpath('.//div[@class="price_wrapper"]/strong/text()').get()
            items['Delivery_Status'] = a.xpath('.//div[@class="col-lg-4"]/span/text()').get()
            items['Desc'] = a.xpath('.//*[@id="1"]/p/text()').getall()
            items['Breadcrumb'] = a.xpath('.//*[@id="breadcrumb"]/li/a/@href').getall()
            yield items

我已经有一个包含域的每个链接的 .csv 文件，现在上面的代码应该打开每个链接，检查它是否是产品链接（response.xpath('//div[@class="product-info-inner"]')没有该标签的页面，应该跳过，因为它们例如可以是类别链接。

Answer 1

你可以直接输出键：

 response.xpath('//table[@class="table table-striped"]//tr/td[1]/text()[normalize-space()]').getall()

输出：

['internal dimensions:',
 'external dimensions:',
 'girth:',
 'quality:',
 'weight:',
 'volume:',
 'pallet dimensions:',
 'piece(s) per pallet:',
 'carbon neutral']

对于值（请务必使用/td[2]//text() 而不是/td[2]/text()）：

response.xpath('//table[@class="table table-striped"]//tr/td[2]//text()').getall()

输出：

['460 x 310 x 160 mm',
 '515 x 335 x 170 mm',
 '122,5 cm',
 'B-Welle 1.2',
 '0,48 kg',
 '22.82 l',
 '1230 x 800 x 1880 mm',
 '410',
 'ClimatePartner ID printed']

Answer 2

您在 XPATH 选择器中遗漏了一个 tbody，我不确定您的项目字段是什么等...这里我刚刚抓取了一个列表中的所有产品数据，您可以对其进行操作，也可以使用 XPATH 选择器将数据单独放入单独的项目字段中。

代码示例

table_rows = response.xpath('//table[@class="table table-striped"]/tbody/tr/td/text()').getall() 
cleaned_table_rows = [a for a in table_rows if a != '\n']

输出

['internal dimensions:', '460 x 310 x 160 mm', 'external dimensions:', '515 x 335 x 170 mm', 'girth:', '122,5 cm', 'quality:', 'B-Welle 1.2', 'weight:', '0,48 kg', 'volume:', '22.82 l', 'pallet dimensions:', '1230 x 800 x 1880 mm', 'piece(s) per pallet:', '410', 'carbon neutral']

解释

你是 XPATH 选择器

response.xpath('//table[@class="table table-striped"]/tr/td/text()').getall()

应该是什么时候

response.xpath('//table[@class="table table-striped"]/tbody/tr/td/text()').getall() 

然后我使用列表推导来清理列表，因为变量 table_rows 有多个 \n 项。