这是我写的 spider 文件,下面有我碰到的在一个页面内所需要的值,放在 3 个 json 文件中。。。。。所以我在一个函数下写了三个 yield Request 请求……
import scrapy from scrapy.http import Request import re from jingdong.items import JingdongItem from jingdong.settings import *
class GoodsSpider(scrapy.Spider): name = 'goods' allowed_domains = ['jd.com'] start_urls = ['http://jd.com/']
# https://search.jd.com/Search?keyword=图书&enc=utf-8&wq=图书&page=1 # 搜索的起始页 url = "https://search.jd.com/Search?keyword={KEYWORDS}&enc=utf-8&wq={KEYWORDS}&page={page}" # 电子价格 Eprice_url = "https://c.3.cn/book?skuId={skuId}&cat={cat}&area=1_72_2799_0&callback=book_jsonp_callback" # 商品价格 price_url = "https://p.3.cn/prices/mgets?type=1&area=1_72_2799_0&pdtk=&pduid=1771569446&pdpin=&pdbp=0&skuIds=J_{skuId}&ext=11100000&callback=jQuery3021180&_=1547383556702" price2_url = 'https://c0.3.cn/stock?skuId={skuId}&venderId=1000005720&cat={cat}&area=1_72_2799_0&buyNum=1&extraParam={%22originid%22:%221%22}&ch=1&pduid=1771569446&pdpin=&fqsp=0&callback=getStockCallback' # 评论 comment_url = "https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv39228&productId={skuId}&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1" def start_requests(self): for k in range(1,PAGE_NUM): yield Request(url=self.url.format(KEYWORDS=KEYWORDS,page=2*k-1),callback=self.page_parse) def page_parse(self, response): #每页商品 ID goodsID = response.xpath('//li/@data-sku').extract() print(goodsID) for each in goodsID: goodsurl = "https://item.jd.com/{}.html".format(each) yield Request(url=goodsurl,callback=self.get_goods_info) def get_goods_info(self,response): item = JingdongItem() #图书链接 item["link"] = response.url #图书标题 item["title"] = response.xpath('//div[@class="sku-name"]/text()').extract()[0].strip() #作者 item["writer"] = response.xpath('//div[@class="p-author"]/a/text()').extract() #提取商品 ID skuId = re.compile(r'https:..item.jd.com.(\d+).html').findall(response.url)[0] item['Id'] = skuId cat = re.compile(r'pcat:\[(.*?)\],').findall(response.text) cat = re.sub("\|",",",cat[0]).strip("'") item['catId'] = cat print(skuId) print(cat) # 打开电子书价格 yield Request(url = self.Eprice_url.format(skuId=skuId, cat=cat),meta={'item':item},callback=self.price_parse) # 打开原价及京东价 yield Request(url = self.price_url.format(skuId=skuId),meta={'item':item},callback=self.jingdong_price_parse) # 打开评论 json yield Request(url = self.comment_url.format(skuId=skuId),meta={'item':item},callback=self.comment_parse) def price_parse(self,response): item =response.meta['item'] #电子书价格 item["e_price"] = re.compile('"p":"(.*?)",').findall(response.text)[0] yield item def jingdong_price_parse(self,response): item = response.meta['item'] #京东价 item["n_price"] = re.compile('"op":"(.*?)",').findall(response.text)[0] print(item["n_price"]) #原价 item["o_price"] = re.compile('"m":"(.*?)",').findall(response.text)[0] if item["n_price"] == None and item["o_price"]== None: yield Request(url=self.price2_url.format(skuId=item['id'],cat=item['catId']),meta={'item':item}, callback=self.jingdong_price_parse) else: yield item def comment_parse(self,response): item = response.meta['item'] #评论数 item["comment"] =re.compile('"content":"(.*?)",').findall(response.text) yield item
如题目说所,这三个请求 # 打开电子书价格 yield Request(url = self.Eprice_url.format(skuId=skuId, cat=cat),meta={'item':item},callback=self.price_parse) # 打开原价及京东价 yield Request(url = self.price_url.format(skuId=skuId),meta={'item':item},callback=self.jingdong_price_parse) # 打开评论 json yield Request(url = self.comment_url.format(skuId=skuId),meta={'item':item},callback=self.comment_parse)
将会只执行最下面的,另外两个获取不到值。我试过单独写一个爬虫来同相同的匹配规则是可以正常获取到的。所以,百思不得其解啊!!!!!
1 skyqqcc 2019-02-03 00:53:21 +08:00 via Android 答:阔以,因为 yield 就相当于向队列里添加一个任务...其实你只要在 yield 后面加个 print 就能知道 yield 后面的代码是否被执行...可能队列这个想法我理解的不太对....但是窝也只写过几天 Python 然后就搁浅了? |
2 skyqqcc 2019-02-03 00:53:58 +08:00 via Android 还有就是你可以写个简单的 demo 试试, |
3 zyj321321321 2019-02-03 09:35:52 +08:00 ![]() 你的问题不是导致错误的原因,scrapy 在一个 def 里是可以发送多个 yield Request 的请求的。大概率问题是在后续处理 item 的问题 |