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()