Errore dell'indice ragno Scrapy
-
05-07-2019 - |
Domanda
Questo è il codice per Spyder1 che ho provato a scrivere nel framework Scrapy:
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.item import Item
from firm.items import FirmItem
class Spider1(CrawlSpider):
domain_name = 'wc2'
start_urls = ['http://www.whitecase.com/Attorneys/List.aspx?LastName=A']
rules = (
Rule(SgmlLinkExtractor(allow=["hxs.select(
'//td[@class='altRow'][1]/a/@href').re('/.a\w+')"]),
callback='parse'),
)
def parse(self, response):
hxs = HtmlXPathSelector(response)
JD = FirmItem()
JD['school'] = hxs.select(
'//td[@class="mainColumnTDa"]').re('(?<=(JD,\s))(.*?)(\d+)'
)
return JD
SPIDER = Spider1()
La regex nelle regole
estrae con successo tutti i bio url che voglio dall'inizio url:
>>> hxs.select(
... '//td[@class="altRow"][1]/a/@href').re('/.a\w+')
[u'/cabel', u'/jacevedo', u'/jacuna', u'/aadler', u'/zahmedani', u'/tairisto', u
'/zalbert', u'/salberts', u'/aaleksandrova', u'/malhadeff', u'/nalivojvodic', u'
/kallchurch', u'/jalleyne', u'/lalonzo', u'/malthoff', u'/valvarez', u'/camon',
u'/randerson', u'/eandreeva', u'/pangeli', u'/jangland', u'/mantczak', u'/darany
i', u'/carhold', u'/marora', u'/garrington', u'/jartzinger', u'/sasayama', u'/ma
sschenfeldt', u'/dattanasio', u'/watterbury', u'/jaudrlicka', u'/caverch', u'/fa
yanruoh', u'/razar']
>>>
Ma quando eseguo il codice ottengo
[wc2] ERROR: Error processing FirmItem(school=[]) -
[Failure instance: Traceback: <type 'exceptions.IndexError'>: list index out of range
Questo è FirmItem in Items.py
from scrapy.item import Item, Field
class FirmItem(Item):
school = Field()
pass
Potete aiutarmi a capire dove si verifica l'errore dell'indice?
Mi sembra che abbia qualcosa a che fare con SgmLinkExtractor .
Sto cercando di far funzionare questo ragno da settimane con Scrapy. Hanno un eccellente tutorial, ma io sono nuovo di Python e della programmazione Web, quindi non capisco come ad esempio SgmlLinkExtractor
funzioni dietro le quinte.
Sarebbe più facile per me provare a scrivere uno spider con la stessa semplice funzionalità con le librerie Python? Gradirei qualsiasi commento e aiuto.
Grazie
Soluzione
SgmlLinkExtractor non supporta i selettori nel suo " consentire " argomento.
Quindi questo è sbagliato:
SgmlLinkExtractor(allow=["hxs.select('//td[@class='altRow'] ...')"])
Esatto:
SgmlLinkExtractor(allow=[r"product\.php"])
Altri suggerimenti
La funzione di analisi viene chiamata per ogni corrispondenza di SgmlLinkExtractor.
Come ha detto Pablo, vuoi semplificare SgmlLinkExtractor.
Ho anche provato a mettere i nomi eliminati dall'URL iniziale in un elenco e quindi passare ciascun nome per analizzare sotto forma di url assoluto come http://www.whitecase.com/aabbas
(per / aabbas).
Il seguente codice scorre sull'elenco, ma non so come passare questo per analizzare. Pensi che sia un'idea migliore?
baseurl = 'http://www.whitecase.com'
names = ['aabbas', '/cabel', '/jacevedo', '/jacuna', '/igbadegesin']
def makeurl(baseurl, names):
for x in names:
url = baseurl + x
baseurl = 'http://www.whitecase.com'
x = ''
return url