我想使用Scrapy对页面上的重复元素进行分组,但是对于这个特定的例子,没有太多的信息。也许你们中的一个能帮我解决这个问题。在
HTML
这是我希望使用Scrapy抓取的页面上当前的HTML标记:
###############
# First group #
###############
<table>
<tbody>
<tr>
<td>Heading1</td>
</tr>
</tbody>
</table>
<table>
<tbody>
<tr>
<td>
<table>
<tbody>
<tr>
<td><a href="Foo1URL">Foo1</a></td>
<td>Bar1</td>
</tr>
<tr>
<td><a href="Foo2URL">Foo2</a></td>
<td>Bar2</td>
</tr>
</tbody>
</table>
<table>
<tbody>
<tr>
<td><a href="Foo3URL">Foo3</a></td>
<td>Bar3</td>
</tr>
<tr>
<td><a href="Foo4URL">Foo4</a></td>
<td>Bar4</td>
</tr>
</tbody>
</table>
...
</td>
<td>
<table>
<tbody>
<tr>
<td>Sub-Heading1</td>
</tr>
<tr>
<td>Name1</td>
<td>1</td>
<td>1</td>
<td>1</td>
</tr>
<tr>
<td>Name2</td>
<td>2</td>
<td>2</td>
<td>2</td>
</tr>
<tr>
<td>Name3</td>
<td>3</td>
<td>3</td>
<td>3</td>
</tr>
...
</tbody>
</table>
</td>
</tr>
</tbody>
</table>
################
# Second group #
################
<table>
<tbody>
<tr>
<td>Heading2</td>
</tr>
</tbody>
</table>
<table>
<tbody>
<tr>
<td>
<table>
<tbody>
<tr>
<td><a href="Foo5URL">Foo5</a></td>
<td>Bar5</td>
</tr>
<tr>
<td><a href="Foo6URL">Foo6</a></td>
<td>Bar6</td>
</tr>
</tbody>
</table>
<table>
<tbody>
<tr>
<td><a href="Foo7URL">Foo7</a></td>
<td>Bar7</td>
</tr>
<tr>
<td><a href="Foo8URL">Foo8</a></td>
<td>Bar8</td>
</tr>
</tbody>
</table>
...
</td>
<td>
<table>
<tbody>
<tr>
<td>Sub-Heading2</td>
</tr>
<tr>
<td>Name4</td>
<td>4</td>
<td>4</td>
<td>4</td>
</tr>
<tr>
<td>Name5</td>
<td>5</td>
<td>5</td>
<td>5</td>
</tr>
<tr>
<td>Name6</td>
<td>6</td>
<td>6</td>
<td>6</td>
</tr>
...
</tbody>
</table>
</td>
</tr>
</tbody>
</table>
################
# Third group #
################
# ... and so on
请注意:“…”表示它在每个页面的变量实例中重复自身。在
数据结构
HTML标记中的上述数据的结构如下:
^{pr2}$该结构在页面和其他页面上重复自身,因此一个页面上可以有X个这些组。在
示例刮取数据
这是我想在这一页上看到的:
[ (Heading1, Foo1, Foo1URL, Bar1, Foo2, Foo2URL, Bar2),
(Heading1, Foo3, Foo3URL, Bar3, Foo4, Foo4URL, Bar4),
...
(Heading2, Foo5, Foo5URL, Bar5, Foo6, Foo6URL, Bar6),
(Heading2, Foo7, Foo7URL, Bar8, Foo8, Foo8URL, Bar8),
... ]
然后,对于副标题:
[ (Heading1, Sub-Heading1, Name1, 1, 1, 1),
(Heading1, Sub-Heading1, Name2, 2, 2, 2),
(Heading1, Sub-Heading1, Name3, 3, 3, 3),
...
(Heading2, Sub-Heading2, Name4, 4, 4, 4),
(Heading2, Sub-Heading2, Name5, 5, 5, 5),
(Heading2, Sub-Heading2, Name6, 6, 6, 6),
... ]
在这种情况下,当很难区分html条目时,可以尝试依赖元素位置,这意味着类似于:
希望这有帮助。在
相关问题 更多 >
编程相关推荐