知识卡片
记录地址与采集页面地址要分开
从索引页批量提取时response.url是索引地址,不能再用它直接充当每条房源的来源详情地址。应在当前房源节点抽取详情href,再结合索引响应解析绝对地址;图片地址也按实际基准处理。把两种地址混同会使多条记录错误指向同一页,影响展示、去重及追溯。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 迅速的爬虫技巧 5.3 30倍速的房产爬虫 · 查看原书依据
现在,它给出的是索引页的URL
参考来源
- 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python爬虫框架Scrapy · 第5章 迅速的爬虫技巧,spine037单元006;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00036.html。
- 结论依据:原文承认response.url现在为索引页,直接支持逐记录另抽详情href,否则多条记录来源身份错误。未在本机运行示例或改变环境。
- 原始内容:e.url 已经给出了房源页的URL。而现在,它给出的是索引页的URL,因为该页面才是我们要爬取的。我们需要使用熟悉的 .//*[@itemprop="url"][1]/@href 这个XPath表达式抽取出房源的URL,然后使用 Map