python - 从阿里巴巴抓取类别及其网址并将其放在两列中

Question

嗨，我是scrapy的新手，我正在尝试从阿里巴巴的产品类别页面中抓取类别和类别的URL 。我正在尝试将其抓取并放在 CSV 文件中。

当我在电子表格中打开它时，我想给出的视图是：-

categories                           categories_urls

Agricultural Growing Media           its URL
Animal Products                      its URL
.                                    .
.                                    .
.                                    .

代码：-

# -*- coding: utf-8 -*-
import scrapy

class AlibabaCatagoriesSpider(scrapy.Spider):
name = 'alibaba_catagories'
allowed_domains = ['alibaba.com']
start_urls = ['https://www.alibaba.com/Products?spm=a2700.8293689.scGlobalHomeHeader.352.2ce265aa7GOmOF']

def parse(self, response):
    a = response.css('ul.sub-item-cont')
    for catag in a:
        item = {
           'categories': catag.css('li>a::text').extract(),
           'categories_url': catag.css('li>a::attr(href)').extract()
            }
        yield item

问题

• \n 和空白在抓取类别时被抓取。
• 数据未以理想的格式抓取

你怎么能帮忙

• 修改代码，这样我们就可以拥有
• 给出在刮擦时删除 \n 和空格的技巧

理想的格式。

Answer 1

使用 Scrapy 非常简单：

def parse(self, response):

    for category_node in response.xpath('//ul[contains(@class, "sub-item-cont")]/li/a'):

        item = {
           'categories': category_node.xpath('./text()').extract_first().strip(),
           'categories_url': category_node.xpath('./@href').extract_first()
        }
        yield item

Answer 2

import requests
from bs4 import BeautifulSoup
def parser():
    url = 'https://www.alibaba.com/Products?spm=a2700.8293689.scGlobalHomeHeader.352.2ce265aa7GOmOF'
    source_code = requests.get(url)
    plain_text = source_code.text
    soup = BeautifulSoup(plain_text, "html.parser")
    name_dict = {}
    for l in soup.find_all('li'):
        content = l.find('a')
        if content:
            href = content.get('href')
            name = content.get_text()
            if href.find('_pid') != -1:
            name_dict[name] = href
    return name_dict

这是由 BeautifulSoup 模块制作的，因为它更容易刮擦。该函数将返回一个字典，其中键为名称，值为 url。

Answer 3

尝试以下选择器

list(map(lambda x: x.replace('\n', '').strip(), response.xpath('//*[@class="cg-main"]//*[contains(@class, "sub-item-cont")]//li/a[@href]/text()').extract()))

Answer 4

您必须使用 normalize-space 功能来删除空格。选择器不可用或非常复杂.css。我建议你使用XPath. 如此处所述。 normalize-space 仅适用于 xpath 而不是 css 选择器

使用规范化空间函数的 Xpath 示例

 Product=   response.xpath('normalize-space(//*[@class="column one3"]/a/@href)').extract()