Блог

Главная - Вопросы по программированию - Как сканировать желтые страницы с помощью Scrapy

Как сканировать желтые страницы с помощью Scrapy

#python #scrapy

#python #scrapy

Вопрос:

Я пытаюсь очистить желтые страницы и получаю ошибку, которая не является ответом атрибута в «имени искателя». В настоящее время я работаю в Linux, ubuntu с python 2.7.3. Код следующий:

 import scrapy
from scrapy.spider import Spider
from scrapy.http import FormRequest, Request
from scrapy.selector import HtmlXPathSelector

class yellowpages(scrapy.Spider):
    name = 'yellowpages'
    allowed_domains = ['yellowpages.com']
    start_urls = ['http://www.yellowpages.com/whitepages']

def parse(self, response):
  return [FormRequest.from_response(response, headers = None, formdata = {"last name": "lastname person one"}, callback = self.parse_results)]

def parse_results(self, response):
    hxs = HtmlXPathSelector(response)
    print hxs.select('//h3').extract()

Редактировать:

В соответствии с запросом я размещаю выходные данные. По какой-то причине кажется, что сейчас он выводит страницу. Я думаю, что, возможно, код выполнялся, даже когда я его сохранял, и мне нужно было перезагрузить мой терминал. Теперь, похоже, он публикует некоторый css.

      ScrapyDeprecationWarning: Call to deprecated function select. Use .xpath() instead.
  print hxs.select('//h3').extract()
/usr/local/lib/python2.7/dist-packages/scrapy/selector/unified.py:106:       ScrapyDeprecationWarning: scrapy.selector.HtmlXPathSelector is deprecated, instantiate scrapy.Selector instead.
  for x in result]
#CSS Output, removed between terminal and stackoverflow to help with formationg
2014-07-06 15:22:16-0400 [yellowpages] INFO: Closing spider (finished)
2014-07-06 15:22:16-0400 [yellowpages] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 2382,
 'downloader/request_count': 3,
 'downloader/request_method_count/GET': 3,
 'downloader/response_bytes': 40878,
 'downloader/response_count': 3,
 'downloader/response_status_count/200': 2,
 'downloader/response_status_count/301': 1,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2014, 7, 6, 19, 22, 16, 316969),
 'log_count/DEBUG': 5,
 'log_count/INFO': 7,
 'request_depth_max': 1,
 'response_received_count': 2,
 'scheduler/dequeued': 3,
 'scheduler/dequeued/memory': 3,
 'scheduler/enqueued': 3,
 'scheduler/enqueued/memory': 3,
 'start_time': datetime.datetime(2014, 7, 6, 19, 22, 14, 117396)}
2014-07-06 15:22:16-0400 [yellowpages] INFO: Spider closed (finished)

Комментарии:

1. Не могли бы вы опубликовать полную ошибку?

2. @KevinLondon На этот раз, как ни странно, все прошло лучше, когда я действительно получил некоторые выходные данные css, поэтому я думаю, что у меня может возникнуть проблема с синтаксическим анализом, а не с самим spider.

3. Вы прочитали сообщение об ошибке? Call to deprecated function select. Use .xpath() instead. и scrapy.selector.HtmlXPathSelector is deprecated .

4. @furas, Да, я отредактировал его так, чтобы ошибок не было, но у меня все еще возникают проблемы с получением выходных данных.

5. Я попытался подключиться с помощью http://www.yellowpages.com/whitepages в браузере, но у меня получилось error 403 — возможно, сервер не работал.

Ответ №1:

итак, изначально у меня была проблема с желтыми страницами и данными, записываемыми в форму заголовка. Самый простой способ обойти это — установить form_number равным 1. Код следующий:

 def parse(self, response):
    return [FormRequest.from_response(response, header = None, formnumber = 1, formdata = {"last": "examplename", "state": "examplestate"}, cakkback = self.parse_results)]

Следующей проблемой был синтаксический анализ. Лучший способ, который я нашел, — это передать ответ через селектор, а затем установить селектор(response_ через xpath следующим образом.

 def parse_results(self, response):
    hxs scrapy.Selector(response)
    phone_numbers = hxs.xpath('//p').extract)
    for item in phone_numbers:
            ............

Отсюда вы просто удаляете текст и записываете его в любой документ, который вам нужен.