Ich benutze Scrapy kratzen justdial.com aber der Code scheint nicht zu funktionieren. Bitte helfen Sie mir, das zu beheben. Ich starte es mit dem Befehl "scrapy crawl justdial -o items.csv -t csv" vom Terminal.Web Daten Scraping mit Scrapy
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from justdial_sample.items import JustdialSampleItem
class MySpider(CrawlSpider):
name = "justdial"
allowed_domains = ["www.justdial.com"]
start_urls = ["https://www.justdial.com/"]
rules = (Rule (SgmlLinkExtractor(allow=("index\d00\.html",
),restrict_xpaths=('//p[@id="nextpage"]',))
, callback="parse_items", follow=True),
)
def parse(self, response):
hxs = HtmlXPathSelector(response)
titles = hxs.select("//p")
items = []
for titles in titles:
item = JdItem()
item ["title"] = titles.select("a/text()").extract()
item ["link"] = titles.select("@/href").extract()
item.append(item)
return items
Dies ist der Code, den ich verwendet habe.
AFAIK Justdial blockiert alle anderen Schaber von Google auseinander settings.py. Es wird nicht nur durch die Datei ['robots.txt'] (https://us.justdial.com/robots.txt) eingeschränkt, sondern es werden keine IP-Adressen zugelassen. Sie können versuchen, mit 'USER_AGENT' string in scrapy herumzuspielen oder scrapy splash zu versuchen. –