昨天用 pyspider 采集 汽车之家网 的 汽车详情页数据,因为他一条记录是table 中的某一列,所以需要用到遍历td,索引取当前列。找了半天 没实现jq的 .index() 方法。只找到map 方法。
就用map 写了属性的拼装。
代码如下:
#!/usr/bin/env python # -*- encoding: utf-8 -*- # Created on 2015-12-27 14:58:45 # Project: goods2 from pyspider.libs.base_handler import * class Handler(BaseHandler): crawl_config = { } @every(minutes=24 * 60) def on_start(self): self.crawl('http://www.autohome.com.cn/car/?pvareaid=101452', callback=self.index_page) @config(age=10 * 24 * 60 * 60) def index_page(self, response): for each in response.doc('.find-letter-list li a').items(): self.crawl('http://www.autohome.com.cn/grade/carhtml/'+each.text()+'.html', callback=self.detail_page) @config(priority=2) def detail_page(self, response): for each in response.doc('.rank-list-ul li[id] h4 a').items(): self.crawl(each.attr.href, callback=self.jump_page, fetch_type='js') @config(priority=2) def jump_page(self, response): self.crawl(response.doc('#navTop a:contains("'+u'参数配置'+'")').attr.href, callback=self.deep_page, fetch_type='js') def deep_page(self, response): return response.doc('.tbset tr:eq(0) td').filter(lambda i: response.doc(this).find('.btn_delbar').length).map(lambda i, e: { 'goods_name': response.doc(e).find('.carbox p a').text(), 'brand_name': response.doc('#tr_0 td').eq(i).text(), 'c_name': response.doc('.subnav-title-name a').text().split('-')[0], 's_name': response.doc('.subnav-title-name a').text().split('-')[1], 'goods_sn': '', 'goods_name_style':'+', 'click_count': 0, 'provider_name': '', 'goods_number': 100, 'goods_weight': 0, 'market_price': response.doc('#tr_2000 td').eq(i).text(), #待处理成float 元为单位 'shop_price': response.doc('#tr_2001 td').eq(i).find('.pircecont').text(), #待处理成float 元为单位 'warn_number': 1, 'goods_desc': u'0.0升 '+ response.doc('#tr_30 td').eq(i).text()+' '+ response.doc('#tr_38 td').eq(i).text()+u'马力 '+ "\n" + response.doc('#tr_53 td').eq(i).text() + ' '+ response.doc('#tr_3 td').eq(i).text(), 'is_real':1, 'is_alone_sale':1, #1-普通 0-赠品 'sort_order':100, 'goods_type':1, 'attributes': [ { 'attr_name': each('th').text(), 'attr_value': each('td').eq(i).find('a').attr.title if (each.attr.id == 'tr_2003' or each.attr.id == 'tr_2004') else each('td').eq(i).text() , } for each in response.doc('tr[id^="tr_"]').items() ] })
开始不知道什么原因,后来群里 自由人帮我调试出问题, 返回值不对,小弟python自学的,求作者指点。我去看看群里教程视频了。先把返回 改为table 字符串没解决就用php去解析了。
后来找到原因:
一个页面的多条数据,用 send_message处理,
pyspider pip装的不是最新版,去github下载
pyquery response.doc的 返回对象的 map 慎用,用 for i, e in enumerate
最后修改的脚本:
感谢 pyspider群友 自由人(397340469)