Scrapy不会刮擦页面上的所有项目

Question

我正在抓一个电子商务网站，除了最后一页，每个网页上有48个产品。

我正在使用Scrapy。问题是，它不是从页面中抓取所有产品。例如，它从第1页，第18页，第2页，第10页，第3页，第19页从第4页第10页，依此类推。它应该从每页抓取所有48种产品，但事实并非如此。

下面是我的脚本。在过去的两天里，我无法弄清楚我做错了什么。

更新我在抓取之前重复了网址列表并添加了日志消息以找出问题所在。当前代码：

import scrapy
from productspider.items import Product
from urlparse import urlparse


class Ecommerce(scrapy.Spider):
    name = "ecommerce"

    def __init__(self, *args, **kwargs):
        urls = kwargs.pop('urls', [])
        if urls:
            self.start_urls = urls.split(',')
        self.logger.info(self.start_urls)
        super(Ecommerce, self).__init__(*args, **kwargs)

    page = 1
    parse_product_called = 0

    def parse(self, response):

        url = response.url
        if url.endswith('/'):
            url = url.rstrip('/')

        o = urlparse(url)

        products = response.xpath(
            "//a[contains(@href, '" + o.path + "/products/')]/@href").extract()

        if not products:
            raise scrapy.exceptions.CloseSpider("All products scraped")

        products = dedupe(products)

        self.logger.info("Products found on page %s = %s" % (self.page, len(products)))
        for product in products:
            yield scrapy.Request(response.urljoin(product), self.parse_product)

        self.page += 1
        next_page = o.path + "?page=" + str(self.page)
        yield scrapy.Request(response.urljoin(next_page), self.parse)

    def parse_product(self, response):

        self.parse_product_called += 1
        self.logger.info("Parse product called %s time" % self.parse_product_called)

        product = Product()
        product["name"] = response.xpath(
            "//meta[@property='og:title']/@content")[0].extract()
        product["price"] = response.xpath(
            "//meta[@property='og:price:amount']/@content")[0].extract()

        return product

def dedupe(seq, idfun=None):
   if idfun is None:
       def idfun(x): return x
   seen = {}
   result = []
   for item in seq:
       marker = idfun(item)
       if marker in seen: continue
       seen[marker] = 1
       result.append(item)
   return result

爬行后的Scrapy日志：

2017-12-30 13:18:55 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 86621,
 'downloader/request_count': 203,
 'downloader/request_method_count/GET': 203,
 'downloader/response_bytes': 10925361,
 'downloader/response_count': 203,
 'downloader/response_status_count/200': 203,
 'finish_reason': 'All products scraped',
 'finish_time': datetime.datetime(2017, 12, 30, 7, 48, 55, 370000),
 'item_scraped_count': 193,
 'log_count/DEBUG': 397,
 'log_count/INFO': 210,
 'request_depth_max': 9,
 'response_received_count': 203,
 'scheduler/dequeued': 203,
 'scheduler/dequeued/memory': 203,
 'scheduler/enqueued': 418,
 'scheduler/enqueued/memory': 418,
 'start_time': datetime.datetime(2017, 12, 30, 7, 48, 22, 405000)}
2017-12-30 13:18:55 [scrapy.core.engine] INFO: Spider closed (All products scraped)

和日志消息：

2017-12-30 13:18:25 [电子商务]信息：第1页上的产品= 48

2017-12-30 13:18:32 [电子商务]信息：第2页上的产品= 48

2017-12-30 13:18:35 [电子商务]信息：第3页上的产品= 48

2017-12-30 13:18:38 [电子商务]信息：第4页上的产品= 48

2017-12-30 13:18:41 [电子商务]信息：第5页上的产品= 48

2017-12-30 13:18:43 [电子商务]信息：第6页上的产品= 48

2017-12-30 13:18:45 [电子商务]信息：第7页上的产品= 48

2017-12-30 13:18:48 [电子商务]信息：第8页上的产品= 48

2017-12-30 13:18:51 [电子商务]信息：第9页上的产品= 24

每次调用parse_product时都会打印日志“Parse product called”。最后一条日志消息是：

2017-12-30 13:18:55 [电子商务]信息：解析产品叫做193次

正如你所看到的，它总共发现了408种产品，但称为parse_product功能仅为193.因此只有193种产品被刮掉了。

Answer 1

代码中有两个问题

关闭刮刀

if not products:
   raise scrapy.exceptions.CloseSpider("All products scraped")

使用上面的命令，请求蜘蛛尽快终止。这不是一件好事。仅在您不希望继续刮取时使用此选项

没有结束刮刀

self.page += 1
next_page = o.path + "?page=" + str(self.page)
yield scrapy.Request(response.urljoin(next_page), self.parse)

你有一个不受控制的分页逻辑需要结束。因此，您可以使用任何没有48个产品的页面是最后一页的事实

self.page += 1
next_page = o.path + "?page=" + str(self.page)
if len(products) == 48:
   yield scrapy.Request(response.urljoin(next_page), self.parse)