http://www.nyhistory.org/programs/upcoming-public-programs
에서 모든 이벤트 데이터를 긁어 내고 싶습니다. 이벤트는 페이지 당 5 개의 이벤트로 페이지가 매겨집니다. 두 가지 규칙을 만들었습니다. 하나는 다음 페이지를 따르고 다른 하나는 이벤트의 세부 정보 페이지를 따릅니다. 그래서 거미가 먼저 각 이벤트의 URL을 입력하고 거기에서 필요한 모든 데이터를 수집 한 다음 다음 페이지로 진행하고 각 이벤트의 URL을 입력하는 등의 작업을 수행합니다. 그러나, 어떤 이유로 Spider는 각 페이지에서 하나의 이벤트에만 액세스하며 이는 첫 번째 이벤트입니다. 당신이 "까지"각각의 링크 당신은 당신이 실제로 항목에 대한 취득하고자하는 사람을 찾을 수를 다음과 같은 사항에 대해 언급 한 바와 같이 규칙이 CrawlSpider
를 사용하는 경우,치료 거미는 페이지 당 단 하나의 링크 만
import scrapy
from nyhistory.items import EventItem
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from datetime import datetime
from w3lib.html import remove_tags
from scrapy.selector import Selector
import re
class NyhistorySpider(CrawlSpider):
name = "events"
start_urls = ['http://www.nyhistory.org/programs/upcoming-public-programs',]
rules = [Rule(LinkExtractor(allow='.*?page=.*',restrict_xpaths='//li[@class="pager-next"]'), follow=True),
Rule(LinkExtractor(restrict_xpaths='//div[@class="view-content"]/div[contains(@class,"views-row")]'), callback='parse_event_details',follow=True),
]
def parse_event_details(self, response):
base_url = 'http://www.nyhistory.org'
item = EventItem()
item['title'] = response.xpath('//div[@class="views-field-title"]//text()')[2].extract()
item['eventWebsite'] = response.url
details_area = response.xpath('//div[@class="body-programs"]')
details_area_str = " ".join(details_area.extract())
details_area_str_split = re.split('EVENT DETAILS|LOCATION|PURCHASING TICKETS', details_area_str)
speakers_names_area = details_area_str_split[1]
speakersNames = Selector(text=speakers_names_area).xpath('strong').extract()
try:
item['speaker1FirstName'] = speakersNames[0].split()[0]
item['speaker1LastName'] = speakersNames[0].split()[1]
except:
item['speaker1FirstName'] = ''
item['speaker1LastName'] = ''
description = remove_tags(details_area_str_split[1]).strip()
item['description'] = description
try:
address_line = remove_tags(details_area_str_split[2]).strip()
item['location'] = address_line.split(',')[0]
item['city'] = address_line.split(',')[-2].strip()
item['state'] = address_line.split(',')[-1].split()[0]
item['zip'] = address_line.split(',')[-1].split()[1]
item['street'] = address_line.split(',')[1].strip()
except:
item['location'] = ''
item['city'] = ''
item['state'] = ''
item['zip'] = ''
item['street'] = ''
try:
item['dateFrom'] = self.date_converter(response.xpath('//span[@class="date-display-single"]/text()').extract_first(default='').rstrip(' - '))
except:
try:
item['dateFrom'] = response.xpath('//span[@class="date-display-single"]/text()').extract()[1].split('|')[0]
except:
item['dateFrom'] = ''
try:
item['startTime'] = self.time_converter(response.xpath('//span[@class="date-display-start"]/text()')[1].extract())
# item['endTime'] = self.time_converter(response.xpath('//span[@class="date-display-end"]/text()')[1].extract())
except:
try:
item['startTime'] = self.time_converter(response.xpath('//span[@class="date-display-single"]/text()').extract()[1].split(' | ')[1])
except:
item['startTime'] = ''
item['In_group_id'] = ''
try:
item['ticketUrl'] = base_url + response.xpath('//a[contains(@class,"btn-buy-tickets")]/@href').extract_first()
except:
item['ticketUrl'] = ''
item['eventImage'] = response.xpath('//div[@class="views-field-field-speaker-photo-1"]/div/div/img/@src').extract_first(default='')
item['organization'] = "New York Historical Society"
yield item
@staticmethod
def date_converter(raw_date):
try:
raw_date_datetime_object = datetime.strptime(raw_date.replace(',',''), '%a %m/%d/%Y')
final_date = raw_date_datetime_object.strftime('%d/%m/%Y')
return final_date
except:
raw_date_datetime_object = datetime.strptime(raw_date.replace(',','').replace('th','').strip(), '%a %B %d %Y')
final_date = raw_date_datetime_object.strftime('%d/%m/%Y')
return final_date
@staticmethod
def time_converter(raw_time):
raw_time_datetime_object = datetime.strptime(raw_time, '%I:%M %p')
final_time = raw_time_datetime_object.strftime('%I:%M %p')
return final_time
고맙습니다! 귀하의 제안에 따라, 나는 아래와 같이 코드를 수정했고 지금은 작동합니다! 규칙 (LinkExtractor (restrict = xpaths = '// pause-next') '), 규칙 = (LinkExtractor (restrict_xpaths) 콜백 = 'parse_event_details'),]]]]]]}}}}} –