我正在尝试使用以下结构从网站上抓取数据 . 我想在每个 <li id="entry">
中提取信息,但是这两个条目也应该从 <li id="category"> / <h2>
中提取类别信息
<ul class="html-winners">
<li id="category">
<h2>Redaktionell Print - Dagstidning</h2>
<ul>
<li id="entry">
<div class="entry-info">
<div class="block">
<img src="bilder/tumme10/4.jpg" width="110" height="147">
<span class="gold">Guld: Svenska Dagbladet</span><br>
<strong><strong>Designer:</strong></strong> Anna W Thurfjell och SvD:s medarbetare<br>
<strong><strong>Motivering:</strong></strong> "Konsekvent design som är lätt igenkänningsbar. Små förändringar förnyar ständigt och blldmotiven utnyttjas föredömligt."
</div>
</div>
</li>
<li id="entry">
<div class="entry-info">
<div class="block"><img src="bilder/tumme10/3.jpg" width="110" height="147">
<span class="silver">Silver: K2 - Kristianstadsbladet</span>
</div>
</div>
</li>
</ul>
</li>
我使用scrapy与以下代码:
start_urls = [
"http://www.designpriset.se/vinnare.php?year=2010"
]
rules = (
Rule(LinkExtractor(allow = "http://www.designpriset.se/", restrict_xpaths=('//*[@class="html-winners"]')), callback='parse_item'),
)
def parse(self, response):
for sel in response.xpath('//*[@class="entry-info"]'):
item = ByrauItem()
annons_list = sel.xpath('//span[@class="gold"]/text()|//span[@class="silver"]/text()').extract()
byrau_list = sel.xpath('//div/text()').extract()
kategori_list = sel.xpath('/preceding::h2/text()').extract()
for x in range(0,len(annons_list)):
item['Annonsrubrik'] = annons_list[x]
item['Byrau'] = byrau_list[x]
item['Kategori'] = kategori_list[x]
yield item
annons_list和byrau_list工作得很完美,他们使用xpath从起点 //*[@class="entry-info"]
开始下去 . 但是kategori_list给了我"IndexError: list index out of range" . 我是用错误的方式写出xpath之前的xpath吗?
1 回答
正如@kjhughes在评论中所提到的,您需要在
/
或//
之前添加.
,以使您的XPath表达式相对于当前上下文元素 . 否则,表达式将被视为相对于根文档 . 这就是为什么表达式/preceding::h2/text()
什么也没有返回 .对于
/
,您也可以将其从XPath表达式的开头删除,作为相对于当前上下文元素的替代方法:只需注意,
preceding::h2
将返回位于<div class="entry-info">
之前的所有h2
元素 . 根据发布的HTML,我认为以下XPath表达式更容易返回不需要的h2
元素(误报):