推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 3395 天前的主题，其中的信息可能已经有所发展或是发生改变。
我想要抓取http://www.csrc.gov.cn/pub/newsite/xxpl/yxpl/
上面的数据。
我用scrapy shell http://www.csrc.gov.cn/pub/newsite/xxpl/yxpl/
测试的时候，取不到包含'下一页'的a标签。
进行测试，利用如下规则来选取：
In [35]: Selector(response).xpath('span[@class="nav_go_next"]/a')
然后，我发现一个大概的原因，就是nav_go_next标签的父元素里面包含了两个script脚本
我能通过
In [35]: Selector(response).xpath('//div[@class="page"]/script')
来取得script标签，但是通过
In [35]: Selector(response).xpath('//div[@class="page"]/span')
就取不到span元素。
有谁碰到过类似的问题吗？求教！谢谢！
 |
1
imn1 2015-07-29 13:51:01 +08:00
scrapy能运行js么？
这个span是js生成的，直接从html的dom是找不到的 |
 |
3
knightdf 2015-07-29 14:26:50 +08:00
用phantomjs+ selenium来抓吧
|
 |
4
lakewalker 2015-07-29 15:58:33 +08:00
页码都是page.js生成的。
有个办法，你可以先从response中把var countPage = 25这一句话用正则给匹配出来，取25这个数字，然后下一页你就直接去拼url，都是有规律的 第二页： http://www.csrc.gov.cn/pub/newsite/xxpl/yxpl/index_1.html 第三页： http://www.csrc.gov.cn/pub/newsite/xxpl/yxpl/index_2.html ... 以最大page count，搞个循环然后直接用拼出来的url进行yield_request操作，就可以不用phantomjs来抓了，phantom比较慢，不过对于只有25页来，还好。 |
 |
5
ammzen 2015-07-29 18:26:29 +08:00
握爪，最近我也在爬这些东西
不知道你是用来做什么呢😁 |
 |
6
Mirachael OP @lakewalker 嗯，谢谢。我大概就是按照你的思路来做的，因为我发现25是个固定值，我直接循环加到start_urls里了。
|
Select Language