来自阿里巴巴的废料类别及其网址分为两栏

Question

嗨，我是scrapy的新手，我正在尝试从alibaba的Product By categories页面中删除类别的类别和URL。我正在尝试抓取它并将其放在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
.                                    .
.                                    .
.                                    .

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和白色空间在刮擦类别时被刮掉。
• 数据不会以理想的格式进行删除

你怎么能帮忙

• 修改代码，以便我们可以拥有
• 提供在刮擦时移除\ n和空白区域的技巧

理想的格式。

Answer 1

Scrapy很容易：

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，因为它更容易刮擦它。该函数将返回一个字典，其中键作为名称，值为url。

Answer 3

您必须使用normalize-space函数来删除空格。 .css选择器不可用或非常复杂。我建议你使用XPath。如此处所述。 normalize-space just works with xpath not css selector

使用规范化空间函数的Xpath示例

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

Answer 4

尝试跟随选择器

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