0

这是我第一次使用scrapy,我正在尝试使用管道将我需要的信息放入一个csv文件中。一切似乎都运行良好,直到我尝试从多个页面中抓取并开始返回一个空白的 csv 文件。我认为问题出在蜘蛛身上(因为当我在那里进行更改时它停止正常工作),但我正在建立管道以防万一那里也有问题。

这是我的蜘蛛:

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from indeed.items import IndeedItem


class IndeedSpider(CrawlSpider):
    name = "indeed"
    allowed_domains = ['www.indeed.com']
    start_urls = [
    'http://www.indeed.com/jobs?as_and=&as_phr=&as_any=&as_not=&as_ttl=&as_cmp=&jt=all&st=&salary=&radius=50&l=19103&fromage=30&limit=10&sort=&psf=advsrch'
    ]
    rules = (Rule(LinkExtractor(allow=('http://www.indeed.com/jobs?q=&l=19103&radius=50&fromage=30&start=.*'))), )

    def parse_item(self, response):
        for sel in response.xpath("//div[contains(@class, 'row ')]"):
            items = []
            jobs = sel.xpath('//a[contains(@data-tn-element, "jobTitle")]/text()').extract()
            city = sel.xpath('//span[@class="location"]/text()').extract()
            company = sel.xpath('//span[@class="company"]/text()').extract()
            for j, c, co in zip(jobs, city, company):
                position = IndeedItem()
                position['jobs'] = j.strip()
                position['city'] = c.strip()
                position['company'] = co.strip()
                items.append(position)
            yield items

这是我的管道:

from scrapy import signals
from scrapy.xlib.pydispatch import dispatcher
from scrapy.exporters import CsvItemExporter

class IndeedPipeline(object):
    def process_item(self, item, spider):
        return item


class CsvExportPipeline(object):

    def __init__(self):
        dispatcher.connect(self.spider_opened, signals.spider_opened)
        dispatcher.connect(self.spider_closed, signals.spider_closed)
        self.files = {}

    def spider_opened(self, spider):
        file = open('%s_jobs.csv' % spider.name, 'w+b')
        self.files[spider] = file
        self.exporter = CsvItemExporter(file)
        self.exporter.start_exporting()

    def spider_closed(self, spider):
        self.exporter.finish_exporting()
        file = self.files.pop(spider)
        file.close()

    def process_item(self, item, spider):
        self.exporter.export_item(item)
        return item

任何帮助将非常感激。

4

2 回答 2

0

试试这个:(删除//)

    jobs = sel.xpath('a[contains(@data-tn-element, "jobTitle")]/text()').extract()
    city = sel.xpath('span[@class="location"]/text()').extract()
    company = sel.xpath('span[@class="company"]/text()').extract()
于 2016-08-11T08:08:37.430 回答
0

LinkExtractor没有提取任何链接。

如果你这样做: scrapy shell "http://www.indeed.com/jobs?as_and=&as_phr=&as_any=&as_not=&as_ttl=&as_cmp=&jt=all&st=&salary=&radius=50&l=19103&fromage=30&limit=10&sort=&psf=advsrch"

并在 scrapy shell 中重新创建您的链接提取器:

from scrapy.linkextractor import LinkExtractor
le = LinkExtractor(allow=('http://www.indeed.com/jobs?q=&l=19103&radius=50&fromage=30&start=.*'))
le.extract_links(response)

你会注意到它没有提取任何东西。
您应该查看LinkExtractors 上的官方文档,并尝试使用相同的方法构建一个有效的文档,然后在您的蜘蛛中使用它。

于 2016-07-13T08:42:36.320 回答