当前位置:   article > 正文

python response.xpath无效_Scrapy各部分运行机制?Xpath为None?多层Response如何编写?搞定Scrapy的坑|python基础教程|python入门|pytho...

response.xpath

https://www.xin3721.com/eschool/pythonxin3721/

前言

Scrapy那么多模块都是怎么结合的啊?明明在chrome上的xpath helper插件写好了xpath,为什么到程序就读取的是None?Scrapy可以直接写多层response么?难道必须再使用requests库??

没关系,这篇文章一站式解答scrapy常见的坑

Scrapy各部分运行机制

Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架,用途非常广泛。

框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便。

Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。

Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。

Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,

Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器),

Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.

Downloader Middlewares(下载中间件):可以当作是一个可以自定义扩展下载功能的组件。

Spider Middlewares(Spider中间件):可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)

网上看到某位大佬生动形象的讲述了如何进行工作,易于理解:

Scrapy的运作流程

代码写好,程序开始运行...

引擎:Hi!Spider, 你要处理哪一个网站?

Spider:老大要我处理xxxx.com。

引擎:你把第一个需要处理的URL给我吧。

Spider:给你,第一个URL是xxxxxxx.com。

引擎:Hi!调度器,我这有request请求你帮我排序入队一下。

调度器:好的,正在处理你等一下。

引擎:Hi!调度器,把你处理好的request请求给我。

调度器:给你,这是我处理好的request

引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求

下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)

引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)

Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。

引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。

管道``调度器:好的,现在就做!

注意:只有当调度器没有request需要处理时,整个程序才会停止。(对于下载失败的URL,Scrapy也会重新下载。)

Xpath问题

有的网站明明使用了xpath helper插件写好了xpath语句并且chrome验证没问题,但是偏偏到response.xpath的时候就是取不出来值,一直为None,问题出在哪了呢????

首先我们需要知道,我们在浏览器中看到的html代码可能与从scrapy得到的不一样,所以有时候就会出现在浏览器的xpath无法在程序中使用的问题

解决方法

如果是国外网站,首先注意一点就是chrome的自动翻译功能,建议选择显示原始网页,然后进行编写

据某些网友说,某些情况 xpath中含有 tbody 是浏览器规范化额外加上去的标签,实际的网页源码并没有 所以我们需要手动删除

终极解决方案 scrapy shell

不是说scrapy得到的跟我们在浏览器看到的不同吗?好的,那我们就直接去scrapy得到的响应去看看!

打开命令行,输入命令 scrapy shell url 如百度

D:\pythonwork>scrapy shell www.baidu.com

会发现现在我们进入了scrapy的shell之中

接下来根据提示 输入 view(response) 发现自动开启了浏览器打开了本地的一个网页

没错,这个就是通过scrapy得到的response 直接对于这个网页操作,这下就可以找到适用于我们程序的xpath了 (xpath helper需要在设置中开启允许访问文件网址即本地文件)

肯定有小伙伴发现某些网页403进不去,仔细想想为什么?因为命令行直接进去的是没有用户代理的,一些网站需要我们自己修改user-agent,怎么办?

我们可以在已经编写好各种设置settings的scrapy项目目录下使用scrapy,不然只会使用默认settings

多层Response的编写

我们在使用Scrapy做爬虫的时候经常碰到数据分布在多个页面,要发去多次请求才能收集到足够的信息,例如第一个页面只有简单的几个列表信息,更多的信息在其他request的response中。

而我们一般只写如    yield scrapy.Request(next_link,callback=self.parse)  只是最表层的一页之后就直接回调下一次的运行了,但是如果我们的信息还没有处理完成怎么办?需要更多的request和response处理

该怎么操作呢?总不能再引入使用requests库吧?

解决方案:

我在爬取某个壁纸网站的时候遇到了这个问题,首页只得到了各个图片的略缩图,而原图地址需要点开另外的html文件才能获得

解决代码如下:

#-*- coding: utf-8 -*-

importscrapyfrom wallpaper.items importWallpaperItemclassWallspiderSpider(scrapy.Spider):

name= 'wallspider'allowed_domains= ['wall.alphacoders.com']

start_urls= ['https://wall.alphacoders.com/']defparse(self, response):

picx_list= response.xpath("//div[@class='center']//div[@class='boxgrid']/a/@href").getall()for picx inpicx_list:

url= 'https://wall.alphacoders.com/'+str(picx)#回调给下一层处理函数

yield scrapy.Request(url,callback=self.detail_parse)defdetail_parse(self, response):

pic_url= response.xpath("//*[@id='page_container']/div[4]/a/@href").get()

pic_size= response.xpath("//*[@id='wallpaper_info_table']/tbody//span/span[2]/a/text()").get()

pic_name= response.xpath("//*[@id='page_container']/div/a[4]/span/text()").get()

wall_item=WallpaperItem()

wall_item['pic_url'] =pic_url

wall_item['pic_size'] =pic_size.split()[0]

wall_item['pic_name'] =pic_nameprint(wall_item)return wall_item

同时我在csdn中看到 名为 kocor的用户写的解决方案则更有教学性,解决方案如下:

yield scrapy.Request(item['url'], meta={'item': item}, callback=self.detail_parse)

Scrapy 用scrapy.Request发起请求可以带上 meta={'item': item} 把之前已收集到的信息传递到新请求里,在新请求里用 item = response.meta('item') 接受过来,在 item 就可以继续添加新的收集的信息了。

多少级的请求的数据都可以收集。

spider.py文件

#-*- coding: utf-8 -*-

importscrapyfrom Tencent.items importTencentItemclassTencentSpider(scrapy.Spider):#爬虫名称

name = 'tencent'

#允许爬取的域名

allowed_domains = ['www.xxx.com']#爬虫基础地址 用于爬虫域名的拼接

base_url = 'https://www.xxx.com/'

#爬虫入口爬取地址

start_urls = ['https://www.xxx.com/position.php']#爬虫爬取页数控制初始值

count = 1

#爬虫爬取页数 10为只爬取一页

page_end = 1

defparse(self, response):

nodeList= response.xpath("//table[@class='tablelist']/tr[@class='odd'] | //table[@class='tablelist']/tr[@class='even']")for node innodeList:

item=TencentItem()

item['title'] = node.xpath("./td[1]/a/text()").extract()[0]if len(node.xpath("./td[2]/text()")):

item['position'] = node.xpath("./td[2]/text()").extract()[0]else:

item['position'] = ''item['num'] = node.xpath("./td[3]/text()").extract()[0]

item['address'] = node.xpath("./td[4]/text()").extract()[0]

item['time'] = node.xpath("./td[5]/text()").extract()[0]

item['url'] = self.base_url + node.xpath("./td[1]/a/@href").extract()[0]#根据内页地址爬取

yield scrapy.Request(item['url'], meta={'item': item}, callback=self.detail_parse)#有下级页面爬取 注释掉数据返回

#yield item

#循环爬取翻页

nextPage = response.xpath("//a[@id='next']/@href").extract()[0]#爬取页数控制及末页控制

if self.count < self.page_end and nextPage != 'javascript:;':if nextPage is notNone:#爬取页数控制值自增

self.count = self.count + 1

#翻页请求

yield scrapy.Request(self.base_url + nextPage, callback=self.parse)else:#爬虫结束

returnNonedefdetail_parse(self, response):#接收上级已爬取的数据

item = response.meta['item']#一级内页数据提取

item['zhize'] = response.xpath("//*[@id='position_detail']/div/table/tr[3]/td/ul[1]").xpath('string(.)').extract()[0]

item['yaoqiu'] = response.xpath("//*[@id='position_detail']/div/table/tr[4]/td/ul[1]").xpath('string(.)').extract()[0]#二级内页地址爬取

yield scrapy.Request(item['url'] + "&123", meta={'item': item}, callback=self.detail_parse2)#有下级页面爬取 注释掉数据返回

#return item

defdetail_parse2(self, response):#接收上级已爬取的数据

item = response.meta['item']#二级内页数据提取

item['test'] = "111111111111111111"

#最终返回数据给爬虫引擎

return item

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小舞很执着/article/detail/887416
推荐阅读
相关标签
  

闽ICP备14008679号