Scrapy: Как извлечь значение атрибута из <span>

Question

Глядя на Twitter: www.twitter.com/twitter

Вы увидите, что количество подписчиков отображается как 57,9 млн, но если вы наводите курсор на это значение, вы увидите точное количество подписчиков.

Это выглядит в источнике как:

<span class="ProfileNav-value" data-count="57939946" data-is-compact="true">57.9M</span>

Когда я проверяю этот диапазон в Chrome, я использую:

(//ul[@class='ProfileNav-list']/li/a/span[@class='ProfileNav-value']/@data-count)[3]

Я пытаюсь извлечь только данные атрибута-count ", используя приведенное выше:

def parseTwitter(self, response):
company_name=response.meta['company_name']
l=ItemLoader(item=TwitterItem(), response=response)
l.add_value('company_name', company_name)
l.add_xpath('twitter_tweets', "(//ul[@class='ProfileNav-list']/li/a/span[@class='ProfileNav-value']/@data-count)[1]/text()")
l.add_xpath('twitter_following', "(//ul[@class='ProfileNav-list']/li/a/span[@class='ProfileNav-value']/@data-count)[2]/text()")
l.add_xpath('twitter_followers', "(//ul[@class='ProfileNav-list']/li/a/span[@class='ProfileNav-value']/@data-count)[3]/text()")

... но я ничего не получаю назад:

    2018-10-18 10:22:07 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2018-10-18 10:22:07 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://twitter.com/ADP> (referer: None)
2018-10-18 10:22:12 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://twitter.com/Workday> (referer: None)
2018-10-18 10:22:16 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://twitter.com/OracleHCM> (referer: None)
2018-10-18 10:22:16 [scrapy.core.engine] INFO: Closing spider (finished)
2018-10-18 10:22:16 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 892,
 'downloader/request_count': 3,
 'downloader/request_method_count/GET': 3,
 'downloader/response_bytes': 199199,
 'downloader/response_count': 3,
 'downloader/response_status_count/200': 3,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2018, 10, 18, 10, 22, 16, 833691),
 'log_count/DEBUG': 4,
 'log_count/INFO': 7,
 'memusage/max': 52334592,
 'memusage/startup': 52334592,
 'response_received_count': 3,
 'scheduler/dequeued': 3,
 'scheduler/dequeued/memory': 3,
 'scheduler/enqueued': 3,
 'scheduler/enqueued/memory': 3,
 'start_time': datetime.datetime(2018, 10, 18, 10, 22, 7, 269320)}

РЕШЕНИЕ: В соответствии с предложением pwinz ниже, я пытался сделатьтекстовое значение извлекает ".text ()" из атрибута, где просто @ -ing атрибут должен дать вам значение.Мое окончательное - рабочее - решение:

def parseTwitter(self, response):
    company_name=response.meta['company_name']
    print('### ### ### Inside PARSE TWITTER ### ### ###')

    l=ItemLoader(item=TwitterItem(), response=response)
    l.add_value('company_name', company_name)
    l.add_xpath('twitter_tweets', "(//ul[@class='ProfileNav-list']/li/a/span[@class='ProfileNav-value']/@data-count)[1]")
    l.add_xpath('twitter_following', "(//ul[@class='ProfileNav-list']/li/a/span[@class='ProfileNav-value']/@data-count)[2]")
    l.add_xpath('twitter_followers', "(//ul[@class='ProfileNav-list']/li/a/span[@class='ProfileNav-value']/@data-count)[3]")

    yield l.load_item()

Answer 1

Что касается других ответов, динамическое содержание здесь не является проблемой.Вы пытаетесь получить text() из атрибута data-count.Вы должны просто быть в состоянии получить данные от @data-count.

Попробуйте этот шаблон:

l.add_xpath('twitter_tweets', "(//ul[@class='ProfileNav-list']/li/a/span[@class='ProfileNav -value']/@data-count)[1]")

Это сработало для меня.

Answer 2

Это потому, что данные обрабатываются с помощью Javascript, но Scrapy загружает только HTML, но не выполняет код JS / AJAX.

При очистке с помощью Scrapy всегда отключайте Javascript в браузере, а затем найдите то, что вы хотите очистить,и если он доступен, просто используйте ваш селектор / xpath, в противном случае, проверьте вызовы JS / AJAX на веб-странице, чтобы понять, как он загружает данные

Итак, чтобы очистить номер подписчика

Вы можете использоватьследующий CSS Selector

.ProfileNav-item.ProfileNav-item--followers a

Код Scrapy

item = {}
item["followers"] = response.css(".ProfileNav-item.ProfileNav-item--followers a").extract_first()
yield item