Я пытаюсь использовать python scrappy для извлечения информации о каталоге курсов с веб-сайта. Дело в том, что у каждого курса есть ссылка на его полную страницу, и мне нужно перебирать эти страницы одну за другой, чтобы извлечь их информацию, которая позже загружается в базу данных SQL. Во всяком случае, я не знаю, как последовательно менять URL-адреса в пауке. здесь прикреплен ниже мой код до сих пор.
import scrapy
def find_between(s, first, last):
try:
start = s.index(first) + len(first)
end = s.index(last, start)
return s[start:end]
except ValueError:
return ""
class QuoteSpider(scrapy.Spider):
name = 'courses'
start_urls = [
'http://catalog.aucegypt.edu/content.php?catoid=36&navoid=1738',
]
def parse(self, response):
# pages in span+ a
all_courses = response.css('.width a')
for course in all_courses:
courseURL = course.xpath('@href').extract()
cleanCourseURL = find_between(str(courseURL), "['", "']")
fullURL = "http://catalog.aucegypt.edu/" + cleanCourseURL
#iterate through urls
QuoteSpider.start_urls += fullURL
courseName = response.css('.block_content')
yield {
'courseNum': fullURL,
'test': courseName
}
Обычно вам нужно yield
этот новый URL и обработать его соответствующим callback
:
def parse(self, response):
# pages in span+ a
all_courses = response.css('.width a')
for course in all_courses:
courseURL = course.xpath('@href').extract()
cleanCourseURL = find_between(str(courseURL), "['", "']")
fullURL = "http://catalog.aucegypt.edu/" + cleanCourseURL
courseName = response.css('.block_content')
yield scrapy.Request(
url=fullURL,
callback=self.parse_course,
cb_kwargs = {
'course_name': courseName,
},
)
def parse_course(self, response, course_name):
# parse you course here...