Python Scrapy多层爬取收集数据

最近用Scrapy做爬虫的时候碰到数据分布在多个页面，要发去多次请求才能收集到足够的信息，例如列表只有简单的几个信息，更多的信息在内页。查看官方文档没找到相关的案例或说明，这个有点坑。

最后自己查了写资料，研究后一下，终于整出来了。

yield scrapy.Request(item['url'], meta={'item': item}, callback=self.detail_parse)

Scrapy 用scrapy.Request发起请求可以带上 meta={'item': item} 把之前已收集到的信息传递到新请求里，在新请求里用 item = response.meta('item') 接受过来，在 item 就可以继续添加新的收集的信息了。

多少级的请求的数据都可以收集。

代码演示如下：

spider.py

# -*- coding: utf-8 -*-
import scrapy
from Tencent.items import TencentItem


class TencentSpider(scrapy.Spider):
    # 爬虫名称
    name = 'tencent'
    # 允许爬取的域名
    allowed_domains = ['www.xxx.com']
    # 爬虫基础地址 用于爬虫域名的拼接
    base_url = 'https://www.xxx.com/'
    # 爬虫入口爬取地址
    start_urls = ['https://www.xxx.com/position.php']
    # 爬虫爬取页数控制初始值
    count = 1
    # 爬虫爬取页数 10为只爬取一页
    page_end = 1

    def parse(self, response):


        nodeList = response.xpath("//table[@class='tablelist']/tr[@class='odd'] | //table[@class='tablelist']/tr[@class='even']")
        for node in nodeList:
            item = TencentItem()

            item['title'] = node.xpath("./td[1]/a/text()").extract()[0]
            if len(node.xpath("./td[2]/text()")):
                item['position'] = node.xpath("./td[2]/text()").extract()[0]
            else:
                item['position'] = ''
            item['num'] = node.xpath("./td[3]/text()").extract()[0]
            item['address'] = node.xpath("./td[4]/text()").extract()[0]
            item['time'] = node.xpath("./td[5]/text()").extract()[0]
            item['url'] = self.base_url + node.xpath("./td[1]/a/@href").extract()[0]
            # 根据内页地址爬取
            yield scrapy.Request(item['url'], meta={'item': item}, callback=self.detail_parse)

            # 有下级页面爬取 注释掉数据返回
            # yield item

        # 循环爬取翻页
        nextPage = response.xpath("//a[@id='next']/@href").extract()[0]
        # 爬取页数控制及末页控制
        if self.count < self.page_end and nextPage != 'javascript:;':
            if nextPage is not None:
                # 爬取页数控制值自增
                self.count = self.count + 1
                # 翻页请求
                yield scrapy.Request(self.base_url + nextPage, callback=self.parse)
        else:
            # 爬虫结束
            return None

    def detail_parse(self, response):
        # 接收上级已爬取的数据
        item = response.meta['item']   

        #一级内页数据提取 
        item['zhize'] = response.xpath("//*[@id='position_detail']/div/table/tr[3]/td/ul[1]").xpath('string(.)').extract()[0]
        item['yaoqiu'] = response.xpath("//*[@id='position_detail']/div/table/tr[4]/td/ul[1]").xpath('string(.)').extract()[0]

        # 二级内页地址爬取
        yield scrapy.Request(item['url'] + "&123", meta={'item': item}, callback=self.detail_parse2)

        # 有下级页面爬取 注释掉数据返回
        # return item

    def detail_parse2(self, response):
        # 接收上级已爬取的数据
        item = response.meta['item']

        # 二级内页数据提取 
        item['test'] = "111111111111111111"

        # 最终返回数据给爬虫引擎
        return item

item  结构化数据

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class TencentItem(scrapy.Item):
    # define the fields for your item here like:
    # 职位名称
    title = scrapy.Field()
    # 职位类别
    position = scrapy.Field()
    # 招聘人数
    num = scrapy.Field()
    # 工作地点
    address = scrapy.Field()
    # 发布时间
    time = scrapy.Field()
    # 详情链接
    url = scrapy.Field()
    # 工作职责
    zhize = scrapy.Field()
    # 工作要求
    yaoqiu = scrapy.Field()
    # 测试
    test = scrapy.Field()