我正在使用 scrapy 从 this 中抓取数据网站,但我在从具有相同类名的 div 中抓取内容时遇到问题。
<div class="list">
<a id="followed_by" name="followed_by"></a>
<h4 class="li_group">Followed by</h4>
<div class="soda odd"><a href="http://www.imdb.com/title/tt0094450">Dirty Dancing</a></div>
<div class="soda even"><a href="http://www.imdb.com/title/tt0338096">Dirty Dancing: Havana Nights</a></div>
<a id="version_of" name="version_of"></a>
<h4 class="li_group">Version of</h4>
<div class="soda odd"><a href="http://www.imdb.com/title/tt5262792">Dirty Dancing</a></div>
<a id="remade_as" name="remade_as"></a>
<h4 class="li_group">Remade as</h4>
<div class="soda odd"><a href="http://www.imdb.com/title/tt0461062">Holiday</a></div>
</div>
我尝试使用 xpath 但是当我试图从多个页面中抓取时我遇到了困难。例如,当我试图从 this 中抓取时我用于第一页的 xpath 不起作用。
这是我试过的代码:
class ImdbSpider(scrapy.Spider):
name = "IMDB"
allowed_domains = ["http://www.imdb.com"]
start_urls = [l.strip() for l in open('1988.txt').readlines()]
def parse(self, response):
filename = response.url.split("/")[-2]
open(filename, 'wb').write(response.body)
item = ImdbcoItem
for sel in response.xpath('body'):
item['Followed_by'] = sel.xpath('//*[@id="connections_content"]/div[2]/div[1]/a/text()').extract()
item['version_of'] = sel.xpath('//*[@id="connections_content"]/div[2]/div[3]/a/text()').extract()
item['Remade_as'] = sel.xpath('//*[@id="connections_content"]/div[2]/div[4]/a/text()').extract()
return item
我希望我的输出是这样的:
接下来是:辣舞,辣舞:哈瓦那之夜
版本:辣舞
重制为:假期
任何帮助都会非常有帮助!!
请您参考如下方法:
试一试。我希望它能解决问题:
for sel in response.css("div.list"):
item['Followed_by'] = sel.css("a#followed_by+h4.li_group+div.odd a::text").extract()
item['version_of'] = sel.css("a#version_of+h4.li_group+div.odd a::text").extract()
item['Remade_as'] = sel.css("a#remade_as+h4.li_group+div.odd a::text").extract()
return item
如果“Followed by”无法为您提供所有结果,请尝试:
item['Followed_by'] = sel.css("a#followed_by+h4.li_group+div.odd a::text , a#followed_by+h4.li_group+div.odd+div.even a::text").extract()
