Блог

Используя последнюю версию Scrapy и python 3.8, я хочу, чтобы мой поисковый робот очищал изображения некоторых книг с веб-сайта. Но после запуска spider (называемого promotions) я получил этот журнал, в котором показано, что элементы очищены, но я не вижу никакой новой созданной папки, в которой должны храниться изображения, и я не могу открыть вывод. Кстати, мой spider раньше работал отлично, поэтому я просто записываю все коды, которые я недавно добавил к нему. Это журнал, который я получил:

 2020-10-15 09:31:47 [scrapy.utils.log] INFO: Scrapy 1.6.0 started (bot: digikala)
2020-10-15 09:31:47 [scrapy.utils.log] INFO: Versions: lxml 4.5.2.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.5.2, w3lib 1.21.0, Twisted 20.3.0, Python 3.8.5 (default, Aug  5 2020, 09:44:06) [MSC v.1916 64 bit (AMD64)], pyOpenSSL 19.1.0 (OpenSSL 1.1.1g  21 Apr 2020), cryptography 2.9.2, Platform Windows-10-10.0.19041-SP0
2020-10-15 09:31:47 [scrapy.crawler] INFO: Overridden settings: {'AUTOTHROTTLE_MAX_DELAY': 120, 'AUTOTHROTTLE_START_DELAY': 60, 'BOT_NAME': 'digikala', 'DOWNLOAD_TIMEOUT': 1200, 'FEED_FORMAT': 'xml', 'FEED_URI': '99-07-24.xml', 'NEWSPIDER_MODULE': 'digikala.spiders', 'SPIDER_MODULES': ['digikala.spiders']}
2020-10-15 09:31:47 [scrapy.extensions.telnet] INFO: Telnet Password: 2303b1f7abb0822e
2020-10-15 09:31:47 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.feedexport.FeedExporter',
 'scrapy.extensions.logstats.LogStats']
2020-10-15 09:31:48 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'digikala.middlewares.UserAgentRotatorMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-10-15 09:31:48 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2020-10-15 09:31:48 [scrapy.middleware] INFO: Enabled item pipelines:
['digikala.pipelines.DigikalaPipeline']
2020-10-15 09:31:48 [scrapy.core.engine] INFO: Spider opened
2020-10-15 09:31:48 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-10-15 09:31:48 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2020-10-15 09:31:49 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.digikala.com/search/category-book/?type[0]=4844amp;pageno=1amp;last_filter=typeamp;last_value=4844amp;sortby=4> (referer: None)
2020-10-15 09:31:50 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.digikala.com/search/category-book/?type[0]=4844amp;last_filter=typeamp;last_value=4844amp;sortby=4amp;pageno=2> (referer: https://www.digikala.com/search/category-book/?type[0]=4844amp;pageno=1amp;last_filter=typeamp;last_value=4844amp;sortby=4)
  

Этот журнал продолжается страница за страницей, как указано выше, а затем заканчивается следующим образом:

 2020-10-15 09:35:49 [scrapy.core.engine] INFO: Closing spider (finished)
2020-10-15 09:35:49 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 180826,
 'downloader/request_count': 277,
 'downloader/request_method_count/GET': 277,
 'downloader/response_bytes': 24372358,
 'downloader/response_count': 277,
 'downloader/response_status_count/200': 277,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 10, 15, 6, 5, 49, 412323),
 'log_count/DEBUG': 277,
 'log_count/INFO': 13,
 'request_depth_max': 276,
 'response_received_count': 277,
 'scheduler/dequeued': 277,
 'scheduler/dequeued/memory': 277,
 'scheduler/enqueued': 277,
 'scheduler/enqueued/memory': 277,
 'start_time': datetime.datetime(2020, 10, 15, 6, 1, 48, 237054)}
2020-10-15 09:35:49 [scrapy.core.engine] INFO: Spider closed (finished)
  

Я не могу понять, что происходит в этом журнале, поэтому я объясняю, что я сделал шаг за шагом. Это мой items.py файл:

 import scrapy

from scrapy.loader.processors import TakeFirst


class DigikalaItem(scrapy.Item):
    image_urls=scrapy.Field()
    images=scrapy.Field()
    book_name=scrapy.Field(
        output_processor=TakeFirst()
    )
This pipelines.py file:

from scrapy.pipelines.images import ImagesPipeline
from scrapy import Request

class DigikalaPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        return [Request(x, meta={'bookname':item.get('book_name')}) for x in item.get(self.images_urls_field, [])]
    def file_path(self, request, response=None, info=None):
        filename= request.meta['bookname'].replace(':', '')
        return 'full/%s.jpg' % (filename)
  

Вот settings.py файл:

 ITEM_PIPELINES = {
    'digikala.pipelines.DigikalaPipeline': 1,
}
IMAGES_STORE='C:/Users/shima/projects/digikala'
DOWNLOAD_TIMEOUT=1200
  

И вот коды, которые я добавил в свой spider (promotions.py файл):

 from scrapy.loader import ItemLoader
from digikala.items import DigikalaItem

class PromotionsSpider(scrapy.Spider):
    name= 'promotions'
    allowed_domains=['www.digikala.com']

def start_requests(self):
    yield scrapy.Request(url= 'https://www.digikala.com/search/category-book/?type[0]=4844amp;pageno=1amp;last_filter=typeamp;last_value=4844amp;sortby=4',
        callback= self.parse)

def parse(self, response):
    
    star=0
    
    for product in response.xpath("//ul[@class='c-listing__items']/li"):
            

        title= product.xpath(".//a[@class='js-product-url']/text()").get()
        if product.xpath(".//div[@class='c-product-box__engagement-rating']/text()"):
            star= float(str(product.xpath(".//div[@class='c-product-box__engagement-rating']/text()").get()))
        else:
            star=0
            
            
        loader=ItemLoader(item=DigikalaItem(), selector=product)
        absolute_url=product.xpath(".//a[@class='c-product-box__img c-promotion-box__image js-url js-product-item js-product-url']/img/@src").extract_first()
        loader.add_value('image_urls', absolute_url)
        image=loader.load_item()
        if star>=3.5 and (discounted_amount>=5000 or discounted_percent>=10):
            yield{
                'image':image,
                'title':title,
                'star':star
            }
  

Кто-нибудь может сказать мне, в чем проблема? Большое спасибо!!

основная проблема заключается в том, что вы не можете выбрать продукты на начальной странице

 for product in response.xpath("//ul[@class='c-listing__items']/li"):
  

ul вы пытаетесь выбрать другой атрибут класса

 <ul class="c-listing__items js-plp-products-list">
  

итак, я думаю, что

 for product in response.xpath("//ul[contains(@class, 'c-listing__items')]/li"):
  

должно сработать для вас

Похоже, xpath, который вы используете, не дает вам нужных продуктов. Если вы измените xpath, чтобы получить продукты, указанные ниже, похоже, это работает:

 for product in response.xpath("//ul[has-class('c-listing__items')]/li"):
  

Причина в том, что класс ‘c-listing__items js-plp-products-list’, а не просто ‘c-listing__items’.