scrapy递归爬取到用户定义的页面

Question

这对有经验的用户来说可能很容易，但我是scrapy的新手，我想要的是一个爬到用户定义页面的蜘蛛。现在我正在尝试修改__init__ 中的allow pattern，但它似乎不起作用。目前我的代码摘要是：

class MySpider(CrawlSpider):

    name         = "example"
    allowed_domains    = ["example.com"]
    start_urls    = ["http://www.example.com/alpha"]
    pattern = "/[\d]+$"
    rules = [
                Rule(LinkExtractor(allow=[pattern] , restrict_xpaths=('//*[@id = "imgholder"]/a', )), callback='parse_items', follow=True),
            ]

    def __init__(self, argument='' ,*a, **kw):

        super(MySpider, self).__init__(*a, **kw)

        #some inputs and operations based on those inputs

        i = str(raw_input())    #another input

        #need to change the pattern here
        self.pattern = '/' + i + self.pattern 

        #some other operations
        pass


    def parse_items(self, response):

        hxs = HtmlXPathSelector(response)
        img = hxs.select('//*[@id="imgholder"]/a')    
        item = MyItem()
        item["field1"] = "something"
        item["field2"] = "something else"
        yield item
        pass

现在假设用户输入i=2，所以我想转到以/2/*some number* 结尾的网址，但现在发生的是蜘蛛正在抓取/*some number 模式的任何内容。更新似乎没有传播。我正在使用scrapy version 1.0.1。

有什么办法吗？提前致谢。

Answer 1

当您拥有名为 Rule 的 __init__ 方法时，已经使用开头定义的模式进行了设置。

但是，您可以在 __init__ 方法中动态更改它。为此，在方法主体内再次设置Rule 并编译它（类似这样）：

def __init__(self, argument='' ,*a, **kw):
    super(MySpider, self).__init__(*a, **kw)
    # set your pattern here to what you need it
    MySpider.rules = rules = [ Rule(LinkExtractor(allow=[pattern] , restrict_xpaths=('//*[@id = "imgholder"]/a', )), callback='parse_items', follow=True), ]
    # now it is time to compile the new rules:
    super(MySpider, self)._compile_rules()