Django动态scraper无法抓取数据

我是使用动态scraper的新手，我使用了以下示例来学习open_news。我已经设置好了所有内容，但它一直显示相同的错误：dynamic_scraper.models.DoesNotExist: RequestPageType matching query does not exist.

2015-11-20 18:45:11+0000 [article_spider] ERROR: Spider error processing <GET https://en.wikinews.org/wiki/Main_page>
Traceback (most recent call last):
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/Twisted-15.4.0-py2.7-linux-x86_64.egg/twisted/internet/base.py", line 825, in runUntilCurrent
    call.func(*call.args, **call.kw)
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/Twisted-15.4.0-py2.7-linux-x86_64.egg/twisted/internet/task.py", line 645, in _tick
    taskObj._oneWorkUnit()
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/Twisted-15.4.0-py2.7-linux-x86_64.egg/twisted/internet/task.py", line 491, in _oneWorkUnit
    result = next(self._iterator)
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/scrapy/utils/defer.py", line 57, in <genexpr>
    work = (callable(elem, *args, **named) for elem in iterable)
--- <exception caught here> ---
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/scrapy/utils/defer.py", line 96, in iter_errback
    yield next(it)
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/scrapy/contrib/spidermiddleware/offsite.py", line 26, in process_spider_output
    for x in result:
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/scrapy/contrib/spidermiddleware/referer.py", line 22, in <genexpr>
    return (_set_referer(r) for r in result or ())
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/scrapy/contrib/spidermiddleware/urllength.py", line 33, in <genexpr>
    return (r for r in result or () if _filter(r))
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/scrapy/contrib/spidermiddleware/depth.py", line 50, in <genexpr>
    return (r for r in result or () if _filter(r))
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/dynamic_scraper/spiders/django_spider.py", line 378, in parse
    rpt = self.scraper.get_rpt_for_scraped_obj_attr(url_elem.scraped_obj_attr)
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/dynamic_scraper/models.py", line 98, in get_rpt_for_scraped_obj_attr
    return self.requestpagetype_set.get(scraped_obj_attr=soa)
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/Django-1.8.5-py2.7.egg/django/db/models/manager.py", line 127, in manager_method
    return getattr(self.get_queryset(), name)(*args, **kwargs)
  File "/home/suz/social-network-sujit/local/lib/python2.7/site-packages/Django-1.8.5-py2.7.egg/django/db/models/query.py", line 334, in get
    self.model._meta.object_name
dynamic_scraper.models.DoesNotExist: RequestPageType matching query does not exist.

这是由于缺少"请求页面类型"引起的。每个"SCRAPER ELEMS"都必须有自己的"请求页面类型"。

要解决此问题，请按照以下步骤操作：

登录管理页面（通常http://localhost:8000/admin/)
转到主页›Dynamic_Scraper›Scrapers›Wikinews Scraper（文章）
点击"请求页面类型"下的"添加另一个请求页面类型
为每个"（基本（文章））"、"（标题（文章）"、"（描述（文章）"one_answers"（url（文章）

"请求页面类型"设置

所有"内容类型"均为"HTML"

所有"请求类型"均为"请求"

所有"方法"都是"获取"

对于"页面类型"，只需像一样按顺序分配即可

（基础（文章））|主页

（标题（文章））|详细信息第1页

（描述（文章）|详细信息第2页

（url（文章））|详细信息第3页

完成上述步骤后，您应该修复"DoesNotExist:RequestPageType"错误。

但是，会出现"错误：强制性elem标题丢失！"！

为了解决这个问题。我建议您将"SCRAPER ELEMS"中的所有"请求页面类型"更改为"主页"，包括"标题（文章）"。

然后更改XPath如下：

（基本（文章））|//td[@class="l_box"]

（title（文章））|span[@class="l_title"]/a/@title

（描述（文章）|p/span[@class="l_summary"]/text（）

（url（文章））|span[@class="l_title"]/a/@href

毕竟，在命令提示符下运行scrapy crawl article_spider -a id=1 -a do_action=yes。你应该能够抓取"文章"。您可以从主页›Open_News›Articles 查看

享受~

我可能会迟到，但希望我的解决方案对稍后遇到的人有所帮助。

@alannala解决方案运行良好。然而，它基本上跳过了详细信息页面抓取。

以下是如何充分利用详细信息页面抓取的方法。

首先，转到主页›Dynamic_Scraper›Scrapers›Wikinews Scraper（文章）并将其添加到请求页面类型中。

其次，请确保SCRAPER ELEMS中的元素是这样的。

现在，您可以根据文档运行手动抓取命令

scrapy crawl article_spider -a id=1 -a do_action=yes

好吧，你可能会遇到@alan nala 提到的错误

"；错误：缺少必需的elem标题"

请注意错误截图，我有一条消息表明脚本是"正在调用的DP2 URL"就我而言。

最后，您可以返回SCRAPER ELEMS并更改元素"的请求页面类型；标题（文章）"；至"详细信息页2"；而不是"；细节页1"；。

保存您的设置，然后再次运行scraby命令。

注意：您的"；详细页面#"；可能会有所不同。

相关内容

最新更新

热门标签：