使用循环抓取网站时丢失数据

Question

初学者在这里尝试做一个简单的网站抓取。 我想从搜索结果的多个页面中提取项目属性。 我可以这样做，但是我的问题是，每页末尾的项目似乎都丢失了。

这是我的循环/计数器的简单错误吗？ 下面的示例代码应该只是将x打印为第x个搜索结果。

import requests
from bs4 import BeautifulSoup
import xlwt

headers = {'user-agent': 'Mozilla/5.0'}
pagelimit = 60 #number of results on page
startoffset = 0 #starting offset  (no. of items


def extract(soup,count):
    x = count
    for div in soup.findAll("div", "result-item standard"):
        print(x)
        x = x+1

offset = startoffset
count = 1
for i in range(0,10):
    url = "http://www.carsales.com.au/cars/results?offset=" + \
    str(offset) + \
    "&q=%28Service%3D%5BCarsales%5D%26%28%28SiloType%3D%5BDealer%20" + \
    "used%20cars%5D%7CSiloType%3D%5BDemo%20and%20near%20new%" + \
    "20cars%5D%29%7CSiloType%3D%5BPrivate%20seller%20cars%5D%29%29" + \
    "&sortby=~Price&limit=" + \
    str(pagelimit) + "&cpw=1"

    r = requests.get(url, headers)
    soup = BeautifulSoup(r.text, "html.parser")
    extract(soup,count)

    offset = str(i*pagelimit+int(startoffset))
    count = count + pagelimit

Answer 1

您的代码有两个假设，可能会导致结果丢失

第一个假设是每个页面返回的最大结果数（ pagelimit ）-最后一页不太可能。 您应该让extract方法返回x的最终值：

def extract(soup,count):
    x = count
    for div in soup.findAll("div", "result-item standard"):
        print(x)
        x = x+1
    return x

然后，您应该将count = count + pagelimit替换count = count + pagelimit count = extract(soup,count)

然后，您也可以使用该数字设置偏移量。

第二个假设是，总会有至少10页的汽车。 如果少于10页，则循环超出结果列表的末尾时，代码的行为可能会异常。