http://www.cers.edu.cn/cersii/instru.do?method=showInstru&instruId=1000100000003
使用 PySpider 爬取上述网址的仪器信息,因为元素没有特征, css 选择器选择不到,所以想用 PyQuery 尝试选择到对应元素,第一次接触 Python 和 PyQuery ,代码如下,请各位帮忙指点一二,感谢。
from pyspider.libs.base_handler import *
import re
from pyquery import PyQuery as pq
from lxml import etree
import urllib
class Handler(BaseHandler):
crawl_config = {
}
@every(minutes=24 * 60)
def on_start(self):
self.crawl('http://www.cers.edu.cn/cersii/instru.do?method=listInstru', callback=self.index_page)
@config(age=10 * 24 * 60 * 60)
def index_page(self, response):
for each in response.doc('form a').items():
if re.search("showInstru", each.attr.href, re.U):
self.crawl(each.attr.href, callback=self.detail_page)
@config(priority=2)
def detail_page(self, response):
return {
"仪器名称": ,
}
1
xierch 2015-11-14 16:27:29 +08:00
CSS selector 也有 :nth-child(),没有选不到的吧
|
2
binux 2015-11-15 16:35:00 +08:00
写一个循环,选取所有的 td ,然后根据颜色判断是 key 还是 value ,拼装起来
|
3
LeopardDennis OP @binux 我尝试了循环, pyquery 的 each 方法总报错,因为用到了 lembda ,声明的方法告诉我找不到,能否指点一下。
|
4
binux 2015-11-15 17:28:25 +08:00 1
@LeopardDennis
for each in doc('td') # 这样得到的是 lxml 对象 或者 for each in doc('td').items() # 这样得到的依然是 pyquery 对象 |
5
LeopardDennis OP @binux 您好,我在 demo.pyspider.org 上爬取了 8k+的数据,但是使用导出 csv 功能导出来的文件是空的,请问如何解决。项目地址: http://demo.pyspider.org/debug/eq_crawler
|
6
binux 2015-11-23 01:02:31 +08:00
@LeopardDennis 导出的地址后面加上 ?offet=0&limit=100
|
7
Izual 2016-03-08 23:24:51 +08:00
css selector 应该很好写啊, a[href^="略
另外还需要撸一个翻页的 callback 吧 |