scrapy 函数parse response xpath问题 ?

-- coding: utf-8 --

import scrapy
from testspider.items import TestspiderItem

class TestbaiduSpider(scrapy.Spider):
name = ‘testbaidu’
allowed_domains = [‘baidu.com’]
start_urls = [‘http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8’,]

def parse(self, response):
	data_list = response.xpath('//li[@class="j_thread_list clearfix"]')
	print(len(data_list))
	for line in data_list:
		item = TestspiderItem()
		item['title'] = line.xpath('.//div[contains(@class,"threadlist_title pull_left j_th_tit ")]/a/text()').extract()
		item['author'] = line.xpath('.//div[contains(@class,"threadlist_author pull_right")]//span[contains(@class,"frs-author-name-wrap")]/a/text()').extract()
		item['reply'] = line.xpath('.//div[contains(@class,"col2_left j_threadlist_li_left")]/span/text()').extract()
		yield item

哪位大神知道,为什么打印print(len(data_list))的长度为 0 ??

通过模拟访问百度贴吧,然后保存response信息,发现html格式非法。不知道是不是导致没法通过xpath解析的原因?

import requests
import time
url = ‘http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8’
headers = {
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/18.17763’
}
r= requests.get(url, headers=headers)
time.sleep(3)
with open(‘baidu_tieba.html’,‘wb’)as fp:
fp.write(r.content)
print(r.url)


问题已经找到. 由于网页是动态加载,所有直接通过xpath分析网页解析,是没法读取数据的。
所以,data_list = response.xpath(’//li[@class=“j_thread_list clearfix”]’) ,data_list长度一直就是0,

解决办法:
在setttings.py中开启下载中间件spiderDownloaderMiddleware,然后在middlewares.py中重写:

def process_request(self, request, spider): 
     #创建一个参数对象,使chrome无界面化
    chrome_options = Options()
    chrome_options.add_argument('--headless')
    chrome_options.add_argument('--disable-gpu')
    self.driver = webdriver.Chrome(r'D:\chromedriver_win32\chromedriver.exe',options=chrome_options)
    print("##middeware####URL=%s"%request.url)
    self.driver.getrequest(request.url)
    sleep(2)
    # 获取网页内容
    browser_html = self.driver.page_source
    self.driver.quit()
    return scrapy.http.HtmlResponse(url=request.url, body=browser_html.encode('utf-8'), encoding='utf-8',request=request)

这样做的目的,当spider发送贴吧网页,中间经过引擎->调度器,然后引擎发送给下载器之前会经过下载中间件 ,也就是process_request函数会捕获到该网页,应用了selenium+webdriver.chrome的方式.来模拟浏览器访问该网页,最后通过scrapy.http.HtmlResponse返回,经过引擎然后透传给spider,最后在def parse(self, response):函数中,就能通过xpath正常解析了

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值