Scrapy：如何使用XPath选择div元素中的第一个标记

问题描述：

我正在使用Scrapy的SitemapSpider从各自的集合中提取所有产品链接。我的网站的名单都是Shopify商店，并链接到该产品的代码如下所示：Scrapy：如何使用XPath选择div元素中的第一个标记

<div class="grid__item grid-product medium--one-half large--one-third"> 
 
    <div class="grid-product__wrapper"> 
 
    <div class="grid-product__image-wrapper"> 
 
     <a class="grid-product__image-link" href="/collections/accessories/products/black-double-layer-braided-leather-bracelet"> 
 
     <img src="//cdn.shopify.com/s/files/1/1150/5108/products/product-image_50ce19b1-c700-4a77-9638-e2ac66a3acef_grande.jpg?v=1457310318" alt="Black Double Layer Braided Leather Bracelet" class="grid-product__image"> 
 
      </a> 
 
     
 
    </div> 
 

 
    <a href="/collections/accessories/products/black-double-layer-braided-leather-bracelet" class="grid-product__meta"> 
 
     <span class="grid-product__title">Black Double Layer Braided Leather Bracelet</span> 
 
     <span class="grid-product__price-wrap"> 
 
     <span class="long-dash">—</span> 
 
     <span class="grid-product__price"> 
 
      
 
      $ 15 
 
      
 
     </span> 
 
     </span> 
 
     
 
    </a> 
 
    </div> 
 
</div>

很显然，无论是HREF的是完全一样的。我在使用下面的代码时，刮两条链路的问题：

product_links = response.xpath('//div//a[contains(@href, "collections") and contains(@href, "products")][1]/@href').extract()

我想选择一种既具有标签作为后代的div元素。从那以后，我只想从第一个标签中提取href以避免重复的链接。

虽然每个网站都是Shopify，但其集合页面的源代码并不完全相同。所以div元素下的一个标签的深浅不一致，我不能添加一个谓词像

//div[@class="grid__item grid-product medium--one-half large--one-third"]

我做了一个全新的职位，阐明了我在问什么，并给出了代码的更加简化。如果其他人有类似的问题，我宁愿不删除这个问题。 [链接到改进的问题]（https://*.com/questions/46258500/xpath-and-scrapy-scraping-links-when-the-depth-and-quantity-of-a-tags-are-inco） – barnesc

答

product_links = response.xpath('//div//a[contains(@href, "collections") and contains(@href, "products")][1]/@href').extract() 
print(product_links[0]) # This is your first a Tag

这不起作用。使用Scrapy的SitemapSpider时，response.xpath（）将返回它从站点地图中刮取的每个页面的列表。 print（product_links [0]）返回每个列表的第一个项目，所以我只会从每个集合中挖出第一个产品 – barnesc

答

只需使用extract_first()命令只提取第一个匹配元素。使用它的好处是，它避免了IndexError，并且在找不到与选择匹配的任何元素时返回None。

所以，它应该是：

>>> response.xpath('//div//a[contains(@href, "collections") and contains(@href, "products")]/@href').extract_first() 
u'/collections/accessories/products/black-double-layer-braided-leather-bracelet'

Scrapy：如何使用XPath选择div元素中的第一个标记

相关推荐