抓取刮擦每个表数据

问题描述

简介

在使用scrapy几周后，我仍然有一些问题需要弄清楚一些xpath表达式。通常，我在提取表和“ ul and li”标签的数据时遇到很大的问题。

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

有一个名为的表：“ Productdata”，我需要每一行，但是我什么也没得到。我尝试了类似的东西： 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.csv文件，其中包含域的每个链接，现在上面的代码应打开每个链接，检查其是否为产品链接（response.xpath('//div[@class="product-info-inner"]')没有该标签的页面应被跳过因为它们可以是例如类别链接。

解决方法

您在XPATH选择器中错过了一个提示，我不确定您的项目字段是什么，等等...这里我只是将所有产品数据都保存在一个列表中，您可以操纵该列表，也可以使用XPATH选择器将数据分别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

您是XPATH选择器

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

应该在什么时候

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

然后我使用列表理解来清理列表，因为变量table_rows有多个\n项。

您可以使用：

直接输出键

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

输出：

['internal dimensions:','carbon neutral']

对于值（请确保使用/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','ClimatePartner ID printed']

html python scrapy web xpath xpath xpath