关于用 scrapy 翻页问题

[Ewig]

def get_page_content(self,response):
next_page = response.xpath('//div[@class="page"]/a[contains(@ka,"page-next")]/@href').extract()
print(response.url)
linkList=response.xpath('//div[@class="sub-li"]/a[contains(@class,"company-info")]/@href').extract()
linkList=[response.urljoin(link) for link in linkList]
if linkList :
for link in linkList:
yield scrapy.Request(url=link,callback=self.final_parsre,dont_filter=True)

next_page = response.xpath('//div[@class="page"]/a[contains(@ka,"page-next")]/@href').extract()
print(next_page)
if next_page is not None:
next_page=response.urljoin(next_page[0])
yield scrapy.Request(url=next_page,callback=self.get_page_content,dont_filter=True)

https://www.zhipin.com/gongsi/_zzz_c101200100_iy100101_t801_s302/?page=1&ka=page-1

这个网站翻页是通过点击 next page 不知道有多少页，因为我要点很多按钮 城市 融资，然后点入每个详情页 抓数据，现在不知道多少页，只能通过点击下一页找，如何写？

[layorlayor]

if len(next_page) != 0: yield xxxx ???

[layorlayor]

用 class="next"貌似要好些，因为没有下一页就没这个标签了

[Ewig]

@layorlayor https://www.zhipin.com/gongsi/_zzz_c101200100_iy100101_t801_s302/

这个网站我先进入每个详情页，然后再翻页 进入详情页抓数据

[Ewig]

这个不好处理

[xpresslink]

try: 获取下一页;yeild 下一页; except: pass

[largecat]

递归下一页。
获取的数据返回在顶层打包丢给 pipeline

[Ewig]

@xpresslink 为啥 try

[kr380709959]

我爬过拉钩的，类似也是分页的，我记得我是 page += 1,
if item:
break
else:
items.append(item)

//item 是职位信息

[quere]

scripy-redis 这个框架里面有一个自动去重的，可以用这个框架抓取

[xpresslink]

@Ewig 因为下页的 url 在最后一页肯定是获取不到或得到 None 的。yield 下一页的 Request 对象就会报错。scrapy 本身也有异常处理机制并不会影响其它 Request 对象执行，只是输出错误信息到日志里面。

直接使用捕获异常，或是先检测再使用是两种哲学。
python 和一些动态语言倾向使用第一种哲学

[houzhimeng]

方法挺多，1.先爬列表页所有，判断有没有内容了，if not room_list :return，
2.然后解析详情页。
ls 那种方法去重也行，或者 CrawlSpider

[Ewig]

@houzhimeng 这个页面你多少页都有内容啊，因为都是最后一页内容

[Ewig]

@xpresslink 我那个写的有问题吗？

[Ewig]

@quere 和去重啥关系