无聊的项目，刮一个时间表

Question

所以我试着在这一页整理一下时间表。。http://stats.swehockey.se/ScheduleAndResults/Schedule/3940

…用这个代码。在

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector

class SchemaSpider(BaseSpider):
    name = "schema"
    allowed_domains = ["http://stats.swehockey.se/"]
    start_urls = [
        "http://stats.swehockey.se/ScheduleAndResults/Schedule/3940"
    ]

def parse(self, response):
    hxs = HtmlXPathSelector(response)
    rows = hxs.select('//table[@class="tblContent"]/tbody/tr')

    for row in rows:
        date = row.select('/td[1]/div/span/text()').extract()
        teams = row.select('/td[2]/text()').extract()

        print date, teams

我不能工作，但是我不能工作。我做错什么了？我已经花了几个小时想弄清楚自己，但是我不知道为什么XPath不能正常工作。在

Answer 1

两个问题：

• tbody是现代浏览器添加的标记。Scrapy在html中根本看不到它。

• 数据和团队的xpath是不对的：应该使用相对xpath（.//），td索引也是错误的，应该是2和3，而不是1和2

以下是整个代码和一些modidications（工作）：

from scrapy.item import Item, Field
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector


class SchemaItem(Item):
    date = Field()
    teams = Field()


class SchemaSpider(BaseSpider):
    name = "schema"
    allowed_domains = ["http://stats.swehockey.se/"]
    start_urls = [
        "http://stats.swehockey.se/ScheduleAndResults/Schedule/3940"
    ]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        rows = hxs.select('//table[@class="tblContent"]/tr')

        for row in rows:
            item = SchemaItem()
            item['date'] = row.select('.//td[2]/div/span/text()').extract()
            item['teams'] = row.select('.//td[3]/text()').extract()

            yield item

希望有帮助。在