今天本来没有打算抓取这个网站的，无意中看到某个微信群有人问了一嘴这个网站，想看一下有什么特别复杂的地方，一顿操作下来，发现这个网站除了卡慢，经常自己宕机以外，好像还真没有什么特殊的....
有很明显的分页表示
列表如下
Request URL: Request Method: POST参数说明,里面两个比较重要的 pageNum 页码，numPerPage 每页显示的数据
trades: fields: enterprise_type: archive_year: hsql: searchKey: pageNum: 2 numPerPage: 25 date_low: date_high: 拼接地址由于是POST请求，所以需要引入FormRequest 类。重写start_requests方法，注意
yield FormRequest(url=self.start_url,callback=self.parse,formdata=data,dont_filter=True)中dont_filter=True 不过滤重复请求。
import scrapy from scrapy import Request,FormRequest,Selector import time class TjSpider(scrapy.Spider): name = 'Tj' allowed_domains = ['cgk.kxjs.tj.gov.cn'] start_url = "http://cgk.kxjs.tj.gov.cn/navigation.do" def start_requests(self): #yield scrapy.Request(url="http://cgk.kxjs.tj.gov.cn/detail.do?id=1", callback=self.parse_detail) for i in range(1,73): #73 data = { "trades":"", "fields":"", "enterprise_type":"", "archive_year":"", "hsql":"", "searchKey":"", "pageNum": str(i), "numPerPage": "25", "date_low":"", "date_high":"", } print("正在爬取{i}".format(i=i)) yield FormRequest(url=self.start_url,callback=self.parse,formdata=data,dont_filter=True) time.sleep(10) 数据解析这个步骤分为2步，第一步解析列表页，获取详情页面的链接，第二步获取具体的字段，在匹配字段的时候采用字典动态更新，用来生成mongodb的字典格式。
def parse(self, response): links = response.css('#Result tr td:nth-child(1)>a::attr(href)').extract() date = response.css('#Result tr td:nth-child(2)::text').extract() for item in range(len(links)): # yield { # "link":links[item], # "date":date[item] # } yield scrapy.Request(url=response.urljoin(links[0]),callback=self.parse_detail,meta={"date":date[item]}) def parse_detail(self,response): trs = Selector(response).xpath("//table[@class='tab_lx003'][2]/tbody/tr") item = {} item.update({"date":response.meta["date"]}) for tr_item in trs: item.update({tr_item.xpath("td[1]/text()").extract_first():tr_item.xpath("td[2]/text()").extract_first()}) yield item time.sleep(3) 科技计划项目成果数据入库入库操作非常简单了，走一遍之前的博客就可以，这个网站爬取的过程中没有太多问题，就是总是宕机掉，采用代理IP也没有解决，应该只是访问速度慢的原因，建议多爬取一下。
最后，发现详情页，最后的id=数字是连续性的，可以直接迭代
?id=60
对付这种小数据的网站，其实采用Selenium也未尝不可啊~~
欢迎关注，我的微信号哦~~~