爬取Tapd的缺陷记录

# -*- coding: utf-8 -*-
import scrapy
from urllib.parse import urlparse, parse_qs,parse_qsl

class TapdSpider(scrapy.Spider):
    name = 'tapd'
    allowed_domains = ['tapd.cn']
    url = 'https://www.tapd.cn/xxxxxxxx/bugtrace/bugreports/my_view&page={}'
    page = 1
    start_urls = ['https://www.tapd.cn/xxxxxxxx/bugtrace/bugreports/my_view&page={}'.format(str(page))]

    def parse(self, response):
        try:
            tr_list = response.xpath("//table[@id='bug_list_content']//tr[@class='rowNOTdone']")
            #写列表的时候我们只要定位到想要的父级，即存在多个同标签的位置，方便我们接下来去循环遍历
            for tr in tr_list:
                item = {}
                # 在当前的节点下方开始找元素，用./
                # 遇到想用的属性对应的属性值的时候，可以定位到该标签后，@属性的名称获取相应的值
                # extract()返回的是一个列表，extract_first()返回的是字符串，列表中的第一个字符串
                item["title"] = tr.xpath("./td[3]//span[2]/a/@title").extract_first()
                item["version"] = tr.xpath("./td[4]//@data-editable-value").extract_first()
                item["Severity"] = tr.xpath("./td[5]//@data-editable-value").extract_first()
                item["priority"] = tr.xpath("./td[6]//@data-editable-value").extract_first()
                item["statue"] = tr.xpath("./td[7]//@title").extract_first()
                item["Handler"] = tr.xpath("./td[8]//@data-editable-value").extract_first()
                item["Founder"] = tr.xpath("./td[9]//@title").extract_first()
                item["Creattime"] = tr.xpath('string(./td[10][contains(.,text())])').extract_first().strip()
                # response.xpath('string(元素的定位)[contains()]')
                # string可以获取同个父级多个子级的内容
                # contains()模糊查找当前的文本内容
                # strip()可以去除首尾的空格 举例strip('0'),可以去除首尾的0 仅针对字符串使用
                # https://blog.csdn.net/zhouxuan623/article/details/43935039/
                # xpath中starts-with、contains和text()三者区别
                item["href"] = tr.xpath("./td[3]//span[2]//@href").extract_first()
                Pending_url = item["href"]
                bug_id = parse_qs(urlparse(Pending_url).query)["bug_id"][0]
                # 我需要获取url地址中的部分项，重新拼接成新的url地址
                # https://blog.csdn.net/weixin_42902669/article/details/88907704
                detail_url = 'https://www.tapd.cn/xxxxxxxx/bugtrace/bugs/general_view/{}'.format(bug_id)

                yield scrapy.Request(
                        detail_url,
                        callback=self.parse_detial,
                        meta={"key": item}
                )
            self.page +=1
            next_url = self.url.format(str(self.page))
            print(next_url)
            yield scrapy.Request(
                next_url,
                callback=self.parse
            )
        except TypeError:
            print("爬取结束")

    def parse_detial(self, response):
        item = response.meta["key"]
        content = response.xpath("//div[@id='description_div']").xpath('string(.)').extract()[0]
        # 定位到要获取文本内容的父级，通过父级获取该父级下的子集所有文本内容，extract()[0] = extract_first()
        item["data"] = content
        yield item

本文地址：https://blog.csdn.net/Python_BT/article/details/108246268