Python scrapy爬取数据异常求帮分析源码
由于业务需要,要爬托福100网站的数据。源代码如下,我是参照网上scrapy教程写的:
#coding:utf-8
from scrapy.spider import Spider,BaseSpider
from scrapy.http import Request
from scrapy.contrib.spiders import Rule,CrawlSpider
from scrapy.contrib.linkextractors import LinkExtractor
from tpo.items import TpoItem
from scrapy import log
class TPOSpider(Spider):
name = "tpo"
allowed_domains = ['http://toefl.100.com']
start_urls=[
"http://toefl.100.com/t/kouyu/1.html", #设置起始url
]
def parse(self,response):
url_list = list(set([ url for url in response.xpath('//a/@href').extract() if url.startswith('http://toefl.100.com/t/kouyu/')]))
self.url_list = url_list
for url in self.url_list:
print url
yield Request(url, callback=self.parse_item)
def parse_item(self,response):
print 'call !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!'
item = TpoItem()
title = ','.join(response.xpath('//h3[6]/text()').extract())
question = ','.join(response.xpath('//div[@class="c-english"]/h6/text()').extract())
analysis1 = ','.join(response.xpath('//div[@class="c-cont c-separate no-b"]/text()').extract())
analysis2 = ','.join(response.xpath('//div[@class="c-cont c-separate "]/text()').extract())
sample_anser_part1 = response.xpath('//div[@class="no-b c-separate"]/text()').extract()
sample_anser_part2 = response.xpath('//div[@class=" c-separate"]/text()').extract()
sample_anser_part1.extend(sample_anser_part2)
sample_anser = ','.join(sample_anser_part1)
item["title"] = title.encode('utf-8')
item["question"] =question.encode('utf-8')
item["analysis1"] = analysis1.encode('utf-8')
item["analysis2"] = analysis2.encode('utf-8')
item["sample_anser"] = sample_anser.encode('utf-8')
yield item
思路是:
parse
函数中先根据start_urls
爬一个网页的数据,上面有所有要爬网页数据的url,然后把url都记录下来,然后对每一个url,都调用parse_item
函数,取出里面的数据,parse_item
里面定义了要取出哪些数据。
但是运行的时候根本就不会调用parse_item
,这是运行的报告,请问错在什么地方?
D:\tpo\tpo>C:\Python27\Scripts\scrapy.exe crawl tpo
2014-09-28 16:25:14+0800 [scrapy] INFO: Scrapy 0.24.4 started (bot: tpo)
2014-09-28 16:25:14+0800 [scrapy] INFO: Optional features available: ssl, http
, django
2014-09-28 16:25:14+0800 [scrapy] INFO: Overridden settings: {'NEWSPIDER_MODUL
: 'tpo.spiders', 'SPIDER_MODULES': ['tpo.spiders'], 'BOT_NAME': 'tpo'}
2014-09-28 16:25:14+0800 [scrapy] INFO: Enabled extensions: LogStats, TelnetCo
ole, CloseSpider, WebService, CoreStats, SpiderState
2014-09-28 16:25:14+0800 [scrapy] INFO: Enabled downloader middlewares: HttpAu
Middleware, DownloadTimeoutMiddleware, UserAgentMiddleware, RetryMiddleware, D
aultHeadersMiddleware, MetaRefreshMiddleware, HttpCompressionMiddleware, Redir
tMiddleware, CookiesMiddleware, ChunkedTransferMiddleware, DownloaderStats
2014-09-28 16:25:14+0800 [scrapy] INFO: Enabled spider middlewares: HttpErrorM
dleware, OffsiteMiddleware, RefererMiddleware, UrlLengthMiddleware, DepthMiddl
are
2014-09-28 16:25:14+0800 [scrapy] INFO: Enabled item pipelines: TpoPipeline
2014-09-28 16:25:14+0800 [tpo] INFO: Spider opened
2014-09-28 16:25:14+0800 [tpo] INFO: Crawled 0 pages (at 0 pages/min), scraped
items (at 0 items/min)
2014-09-28 16:25:14+0800 [scrapy] DEBUG: Telnet console listening on 127.0.0.1
023
2014-09-28 16:25:14+0800 [scrapy] DEBUG: Web service listening on 127.0.0.1:60
2014-09-28 16:25:15+0800 [tpo] DEBUG: Crawled (200) <GET http://toefl.100.com/
kouyu/1.html> (referer: None)
2014-09-28 16:25:15+0800 [tpo] DEBUG: Filtered offsite request to 'toefl.100.c
': <GET http://toefl.100.com/t/kouyu/380.html>
2014-09-28 16:25:15+0800 [tpo] INFO: Closing spider (finished)
2014-09-28 16:25:15+0800 [tpo] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 226,
'downloader/request_count': 1,
'downloader/request_method_count/GET': 1,
'downloader/response_bytes': 10365,
'downloader/response_count': 1,
'downloader/response_status_count/200': 1,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2014, 9, 28, 8, 25, 15, 163000),
'log_count/DEBUG': 4,
'log_count/INFO': 7,
'offsite/domains': 1,
'offsite/filtered': 202,
'request_depth_max': 1,
'response_received_count': 1,
'scheduler/dequeued': 1,
'scheduler/dequeued/memory': 1,
'scheduler/enqueued': 1,
'scheduler/enqueued/memory': 1,
'start_time': datetime.datetime(2014, 9, 28, 8, 25, 14, 764000)}
2014-09-28 16:25:15+0800 [tpo] INFO: Spider closed (finished)
你好,请问你后面是怎么解决这个问题的呢,我也遇到了同样的问题,实在搞不懂啊,急求,谢谢。
官方对这个的解释,是你要request的地址和allow_domain里面的冲突,从而被过滤掉。可以停用过滤功能。
yield Request(url, callback=self.parse_item, dont_filter=True)
你好 最近遇到和你类似的问题。yield Request()之前的内容都可以运行,但就是无法调用Request中callback指向的函数。请问你后来如何解决该问题,多谢
看你的xpath到底能不能匹配到你要的元素啊,你可以试试用chrome的一个XPath helper
插件
玩蛇网文章,转载请注明出处和文章网址:https://www.iplaypy.com/wenda/wd19373.html
相关文章 Recommend
- • 2019年3月最新消息: Python 3.4.10 现已推出
- • [上海]招Python量化系统开发工程师
- • 优集品网络科技有限公司招Python中/高级工程师
- • 爱因互动科技发展有限公司招募Python开发攻城狮
- • mozio招聘Python/Django工程师
- • Kavout金融科技公司招Python研发工程师
- • Python数组逆向输出,编程练习题实例四十
- • Python数组插入排序,编程练习题实例三十九
- • Python矩阵for循环应用,编程练习题实例三十八
- • Python操作Redis数据库方面的问题
- • 请python高手帮我看看这段python代码中函数setter的
- • Python什么方法可以快速将两个队列变成字典
您现在的位置: 玩蛇网首页 > Python问题解答 > 正文内容
我要分享到:
必知PYTHON教程 Must Know PYTHON Tutorials
- • python 解释器
- • python idle
- • python dir函数
- • python 数据类型
- • python type函数
- • python 字符串
- • python 整型数字
- • python 列表
- • python 元组
- • python 字典
- • python 集合
- • python 变量
- • python print
- • python 函数
- • python 类定义
- • python import
- • python help
- • python open
- • python 异常处理
- • python 注释
- • python continue
- • python pass
- • python return
- • python global
- • python assert
- • python if语句
- • python break
- • python for循环
- • python while循环
- • python else/elif
- • lambda匿名函数
必知PYTHON模块 Must Know PYTHON Modules
- • os 模块
- • sys 模块
- • re 正则表达式
- • time 日期时间
- • pickle 持久化
- • random 随机
- • csv 模块
- • logging 日志
- • socket网络通信
- • json模块
- • urlparse 解析URL
- • urllib 模块
- • urllib2 模块
- • robotparser 解析
- • Cookie 模块
- • smtplib 邮件
- • Base64 编码
- • xmlrpclib客户端
- • string 文本
- • Queue 线程安全
- • math数学计算
- • linecache缓存
- • threading多线程
- • sqlite3数据库
- • gzip压缩解压
最新内容 NEWS
- • Python程序员解决棘手问题的常用库
- • 求助关于restfull api接口几个问题
- • qiniu pythonsdk提示ImportError错误求解
- • 问一个关于Hadoop Python中读写文件统计分析
- • 求问str()同__str__原理上有什么不同,分别在
- • 大神帮忙看下20行的python代码,文件io和数
- • python 爬虫爬wiki 报错 [Errno 65] No route to
- • python续点上传问题None bad token...
- • python3环境下文本中超链接出错,要如何修
- • Python环境保存操作思路问题求助
图文精华 RECOMMEND
-
Python程序员解决棘手问题的常用库
-
求问str()同__str__原理上有什么不同
-
scrapy框架里面用link extractor怎么能
-
python {}.fromkeys创建字典append添加操
-
python3 类型Type str doesn't support th
-
python里面为什么系统的时区是东八
热点文章 HOT
- 学习Python有什么好的书籍推荐?
- Python匿名函数 Lambda表达式作用
- Python与Java、C、Ruby、PHP等编程语言有什么
- Python 正则中文网页字符串提取问题
- 如何为实时性应用存取经纬度?django my
- 想用python做个客户端,在二维码登录这个地
- 有让IDE可识别Python函数参数类型的方法吗
- Python字符串转换成列表正则疑问