写的 Scrapy 爬虫程序在 For 循环中会漏爬很多数据

import scrapy
from xxx.items import WorkItem

class XXXSpider(scrapy.Spider):
    name = "xxx"
    allowed_domains = ["example.com"]
    start_urls = ["https://example.com/xx/xx"]

    def parse(self, response):
        year_list = response.xpath('//ul[@class="p-accordion"]/li')
        for year in year_list[:2]:
            release_dates_url_of_year = year.xpath('.//div[@class="genre -s"]/a/@href').extract()
            for date_url in release_dates_url_of_year:
                yield scrapy.Request (
                    url = date_url,
                    callback =self.date_detail_parse
                )

    def date_detail_parse(self, response):
        work_list = response.xpath('.//div[@class="swiper-slide c-low--6"]/div')
        for work in work_list:
            actress_name = work.xpath('.//a[@class="name c-main-font-hover"]/text()').extract_first()
            if actress_name is not None:
                item = WorkItem()
                item['actress_name'] = actress_name
                item['image_hover'] = work.xpath('.//img[@class="c-main-bg lazyload"]/@data-src').extract_first()
                work_detail_url = work.xpath('.//a[@class="img hover"]/@href').extract_first()

                if work_detail_url is not None:
                    yield scrapy.Request (
                        url = work_detail_url,
                        callback = self.work_detail_pares,
                        meta = {'workItem' : item}
                    )

    def work_detail_pares(self, response):
        item = response.meta['workItem']
        pics_list = response.xpath('.//div[@class="swiper-wrapper"]/div')
        pre_images = []  
        for pic in pics_list:
            img_url = pic.xpath('./img/@data-src').extract_first()
            pre_images.append(img_url)
        item['pre_images'] = pre_images
        item['name'] = response.xpath('.//div[@class="p-workPage l-wrap"]/h2/text()').extract_first().strip()
        item['id'] = response.xpath('.//span[@class="c-tag02 c-main-bg-hover c-main-bg"]/../text()').extract_first()
        item['company'] = 'xxx'
        item['release_date'] = response.xpath('.//div[@class="p-workPage__table"]/div[2]//div[@class="item"]/a/text()').extract_first()
        actress_detail_url = response.xpath('.//div[@class="p-workPage__table"]/div[1]//div[@class="item"]/a/@href').extract_first()
        yield scrapy.Request(
            url = actress_detail_url,
            callback = self.actress_detail_pase,
            meta = {'workItem' : item}
        )

    def actress_detail_pase(self, response):
        item = response.meta['workItem']
        item['actress_avatar'] = response.xpath('.//div[@class="swiper-slide"]/img/@data-src').extract_first()
        yield item

这是我的爬虫主程序，year_list我目前就只取了前 2 条数据做测试，发现爬取下来的数据跟网站上相比，很漏爬很多很多数据，而且每次爬取的数量都是同一个，网站上应该有至少几百条数据，而爬虫爬取下来，每次只能爬 35 条数据。而且每次爬取的数据内容都是变化的，这次没爬到的数据可能下一次再启动爬虫他就爬到了，但是总数永远是 35 。
我也尝试过把item包在deepcopy()里，也没有区别。
如果不用for循环，就只爬单条数据的话，他又确实可以把完整的数据都爬取下来

有没有大佬知道我这问题到底出在哪里？问 GPT 的各种解答方案也试了，还是不行。

13 条回复 • 2024-12-24 21:08:58 +08:00

glacer

14 小时 40 分钟前

断点调试一下不是很容易发现问题吗

NoOneNoBody

13 小时 4 分钟前

@class="genre -s"
css 不会写-s 的吧？

先在每个 for 前面 print 一下 len 吧

dsg001

12 小时 55 分钟前

大概率是 xpath 不对

wineast

11 小时 22 分钟前

yeild 之前打印下信息，看看条数对不对

qtoq126

11 小时 15 分钟前

@wineast 我刚才在多个地方放了 print 打印看了下，发现有些在`work_detail_pares()`里处理的`item`，到了`actress_detail_pase()`就没有了。（比如有条 item 的一个字段是 12 月 31 日，结果在 actress_detail_pase()打印，发现没有一条 item 里有 12 月 31 日。这条数据没有传进来，甚至如果把`actress_detail_pase()`的方法删了，数据就可以抓取完全了。这是什么原因？我的传值方法也没什么不一样的啊