iT邦幫忙

0

Scrapy + Selenium 爬蟲內層網頁問題

  • 分享至 

  • xImage

請教各位大神,
我是爬蟲菜鳥/images/emoticon/emoticon16.gif
這個問題已經困擾我好久....QQ

我目前因為想做電影相關的研究 想爬 台灣文化內容策進院文章清單的標題及內文,
因為網頁是動態網頁所以用了scrapy + selenium套件,
不囉唆先上code,

import scrapy
from scrapy_selenium import SeleniumRequest
from scrapy_splash import SplashRequest
import  chromedriver_binary
import time

class TaiccaSpider(scrapy.Spider):


    name = "TAICCA"
    allowed_domains = ["research.taicca.tw"]
    start_urls = ['https://research.taicca.tw/']
    
    def start_requests(self):
        url = 'https://research.taicca.tw/search/'
        yield SeleniumRequest(url=url, callback=self.parse)
      
       
    def parse(self,response):
        articles = response.xpath('//table[@class="table table-sm table-borderless"]//tbody//tr')
        time.sleep(5)
        for article in articles:
         #文章標題
            title = article.xpath('.//td[4][@class="title"]//a[@class="link"]/text()').get()
         #文章連結
            link = article.xpath('.//td[4]//a[@class="link"]/@href').get()
            print("Title:", title)
            print("Link:", link)
            yield response.follow(url=link, callback=self.parse_page, meta = {'title':title})

            
    def parse_page(self,response):
        title = response.request.meta['title']
        articles= response.xpath('//div[@class="ql-editor"]//div')
        time.sleep(5)
        for article in articles:
        #文章摘要
            lead=article.xpath('.//ul/li/strong/text()').getall()
        #文章內文
            paragraph = article.xpath('.//p/text()').getall()
            print(lead)
            print(paragraph)

            yield{
                'title' : title,
                'lead': lead,
                'paragraph' : paragraph
                }

執行爬蟲時,
Webdriver有正常運行,
https://ithelp.ithome.com.tw/upload/images/20230710/20141814OMSXlRAJVq.png
爬了標題頁都沒問題,
https://ithelp.ithome.com.tw/upload/images/20230710/20141814dC6vNEmDLx.png
且文章連結的部分也都有進一步crawl 且應該是有正確連到網頁(http 200),
https://ithelp.ithome.com.tw/upload/images/20230710/20141814S4GH2VlkbS.png
但要爬取內層網頁時(def parse_page)部分就爬不出來...
結果是空值QQ
(先撇除每篇文章的摘要標籤不太相同的因素,有些文章的摘要html標籤是ol 有些則是ul)
https://ithelp.ithome.com.tw/upload/images/20230710/20141814NZrtAovnL3.png

原本想說是不是xpath路徑寫錯呢?
但有試著針對其中一篇文章用Selenium的find_elements()來爬,
是有爬出結果的...

但透過上面的方式外層標題及內層網頁一起爬,
就只爬得出標題的部分,
想請教各位大神是否程式碼有寫錯呢,
或是哪裡我有誤解,
麻煩各位大大指點迷津!!!!/images/emoticon/emoticon70.gif

(執行環境 window10 python 3.10)

SK. iT邦新手 5 級 ‧ 2024-05-22 16:47:34 檢舉
我找了六篇列表上的文章 都找不到 //div[@class="ql-editor"]//div 這個xpath
是不是真的xpath有錯
沒研究過scrapy無法立即測試
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友回答

立即登入回答