如何使用 re() 使用 scrapy 从 javascript 变量中提取数据？

Question

我的 items.py 文件是这样的：

from scrapy.item import Item, Field

class SpiItem(Item):
    title = Field()
    lat = Field()
    lng = Field()
    add = Field()

蜘蛛是：

import scrapy
import re

from spi.items import SpiItem

class HdfcSpider(scrapy.Spider):
    name = "hdfc"
    allowed_domains = ["hdfc.com"]
    start_urls = ["http://hdfc.com/branch-locator"]

    def parse(self,response):
        addresses = response.xpath('//script')
        for sel in addresses:
            item = SpiItem()
            item['title'] = sel.xpath('//script[@type="text/javascript"][1]').re('(?<="title":).+(?=")')
            item['lat'] = sel.xpath('//script[@type="text/javascript"][1]').re('(?<="latitude":).+(?=")')
            item['lng'] = sel.xpath('//script[@type="text/javascript"][1]').re('(?<="longitude":).+(?=")')
            item['add'] = sel.xpath('//script[@type="text/javascript"][1]').re('(?<="html":).+(?=")')
            yield item

整个javascript代码，查看页面源码，里面写着：//html/body/table/tbody/tr[348]/td[2].

为什么我的代码不起作用？我只想提取项目文件中提到的四个字段。

Answer 1

不是使用正则表达式逐字段提取，而是提取完整的 locations 对象，通过 json.loads() 加载它并从 Python 字典中提取所需数据，您将获得:

def parse(self,response):
    pattern = re.compile(r"var locations= ({.*?});", re.MULTILINE | re.DOTALL)
    locations = response.xpath('//script[contains(., "var locations")]/text()').re(pattern)[0]
    locations = json.loads(locations)
    for title, data in locations.iteritems():
        print title

如何使用 re() 使用 scrapy 从 javascript 变量中提取数据？

How to use re() to extract data from javascript variable using scrapy?

javascript

python

regex

scrapy

web-scraping