抓取 - 对每个项目抓取多个网页

Question

我正在尝试为每个项目抓取一些额外的页面以获取一些位置信息。

在返回之前的项目末尾，我检查我们是否需要抓取额外的页面来获取信息，本质上这些页面包含一些位置详细信息，并且是一个简单的获取请求。

即 http://site.com.au/MVC/Offer/GetLocationDetails/?locationId=3761&companyId=206

上面的链接要么返回包含更多要抓取的页面的选择 - 要么返回包含地址详细信息的 dd/dt。无论哪种方式，我都需要提取此地址信息并将其附加到我的项目["位置"]

到目前为止，我有（在解析块的末尾）

return self.fetchLocations(locations_selector, company_id, item)

locations_selector包含位置 ID 列表

然后我有

def fetchLocations(self, locations, company_id, item): #response):
    for location in locations:
        if len(location)>1:
            yield Request("http://site.com.au/MVC/Offer/GetLocationDetails/?locationId="+location+"&companyId="+company_id,
            callback=self.parseLocation,
                meta={'company_id': company_id, 'item': item})

最后

def parseLocation(self,response):
    hxs = HtmlXPathSelector(response)
    item = response.meta['item']
    dl = hxs.select("//dl")
    if len(dl)>0:
        address = hxs.select("//dl[1]/dd").extract()
        loc = {'address':remove_entities(replace_escape_chars(replace_tags(address[0], token=' '), replace_by=''))}
        yield loc
    locations_select = hxs.select("//select/option/@value").extract()
    if len(locations_select)>0:
        yield self.fetchLocations(locations_select, response.meta['company_id'], item)

似乎无法让这个工作....

Answer 1

这是你的代码：

def parseLocation(self,response):
    hxs = HtmlXPathSelector(response)
    item = response.meta['item']
    dl = hxs.select("//dl")
    if len(dl)>0:
        address = hxs.select("//dl[1]/dd").extract()
        loc = {'address':remove_entities(replace_escape_chars(replace_tags(address[0], token=' '), replace_by=''))}
        yield loc
    locations_select = hxs.select("//select/option/@value").extract()
    if len(locations_select)>0:
        yield self.fetchLocations(locations_select, response.meta['company_id'], item)

回调必须返回对其他页面或项目的请求。在上面的代码中，可以看到生成的请求，但不是项目。你有yield loc，但loc是一个dict而不是Item子类。