【问题标题】:Scrapy parse_item callback not being called没有调用 Scrapy parse_item 回调
【发布时间】:2013-02-19 14:34:35
【问题描述】:

让我的 Scrapy 蜘蛛运行它的回调方法时遇到问题。

我不认为这是一个缩进错误,这似乎是其他先前帖子的情况,但也许是这样,我不知道吗?有什么想法吗?

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy import log
import tldextract

class CrawlerSpider(CrawlSpider):
  name = "crawler"

  def __init__(self, initial_url):
    log.msg('initing...', level=log.WARNING)
    CrawlSpider.__init__(self)

    if not initial_url.startswith('http'):
      initial_url = 'http://' + initial_url

    ext = tldextract.extract(initial_url)
    initial_domain = ext.domain + '.' + ext.tld
    initial_subdomain = ext.subdomain + '.' + ext.domain + '.' + ext.tld
    self.allowed_domains = [initial_domain, 'www.' + initial_domain, initial_subdomain]
    self.start_urls = [initial_url]
    self.rules = [
        Rule(SgmlLinkExtractor(), callback='parse_item'),
        Rule(SgmlLinkExtractor(allow_domains=self.allowed_domains), follow=True),
    ]
    self._compile_rules()

  def parse_item(self, response):
    log.msg('parse_item...', level=log.WARNING)
    hxs = HtmlXPathSelector(response)
    links = hxs.select("//a/@href").extract()
    for link in links:
      log.msg('link', level=log.WARNING)

示例输出如下;它应该显示一条带有“parse_item...”的警告消息,但它没有。

$ scrapy crawl crawler -a initial_url=http://www.szuhanchang.com/test.html
2013-02-19 18:03:24+0000 [scrapy] INFO: Scrapy 0.16.4 started (bot: crawler)
2013-02-19 18:03:24+0000 [scrapy] DEBUG: Enabled extensions: LogStats, TelnetConsole, CloseSpider, WebService, CoreStats, SpiderState
2013-02-19 18:03:24+0000 [scrapy] DEBUG: Enabled downloader middlewares: HttpAuthMiddleware, DownloadTimeoutMiddleware, UserAgentMiddleware, RetryMiddleware, DefaultHeadersMiddleware, RedirectMiddleware, CookiesMiddleware, HttpCompressionMiddleware, ChunkedTransferMiddleware, DownloaderStats
2013-02-19 18:03:24+0000 [scrapy] DEBUG: Enabled spider middlewares: HttpErrorMiddleware, OffsiteMiddleware, RefererMiddleware, UrlLengthMiddleware, DepthMiddleware
2013-02-19 18:03:24+0000 [scrapy] DEBUG: Enabled item pipelines: 
2013-02-19 18:03:24+0000 [scrapy] WARNING: initing...
2013-02-19 18:03:24+0000 [crawler] INFO: Spider opened
2013-02-19 18:03:24+0000 [crawler] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2013-02-19 18:03:24+0000 [scrapy] DEBUG: Telnet console listening on 0.0.0.0:6023
2013-02-19 18:03:24+0000 [scrapy] DEBUG: Web service listening on 0.0.0.0:6080
2013-02-19 18:03:25+0000 [crawler] DEBUG: Crawled (200) <GET http://www.szuhanchang.com/test.html> (referer: None)
2013-02-19 18:03:25+0000 [crawler] DEBUG: Filtered offsite request to 'www.20130219-0606.com': <GET http://www.20130219-0606.com/>
2013-02-19 18:03:25+0000 [crawler] INFO: Closing spider (finished)
2013-02-19 18:03:25+0000 [crawler] INFO: Dumping Scrapy stats:
        {'downloader/request_bytes': 234,
         'downloader/request_count': 1,
         'downloader/request_method_count/GET': 1,
         'downloader/response_bytes': 363,
         'downloader/response_count': 1,
         'downloader/response_status_count/200': 1,
         'finish_reason': 'finished',
         'finish_time': datetime.datetime(2013, 2, 19, 18, 3, 25, 84855),
         'log_count/DEBUG': 8,
         'log_count/INFO': 4,
         'log_count/WARNING': 1,
         'request_depth_max': 1,
         'response_received_count': 1,
         'scheduler/dequeued': 1,
         'scheduler/dequeued/memory': 1,
         'scheduler/enqueued': 1,
         'scheduler/enqueued/memory': 1,
         'start_time': datetime.datetime(2013, 2, 19, 18, 3, 24, 805064)}
2013-02-19 18:03:25+0000 [crawler] INFO: Spider closed (finished)

提前致谢!

【问题讨论】:

  • 你是如何运行这个蜘蛛的?从命令行使用scrapy crawl crawler?
  • 通过sidekiq(排队)工作人员,但我也在命令行上尝试过,但没有运气。为了更清楚起见,我已更改问题以包含命令行输出。
  • 请提供一个简短的、独立的示例 (sscce.org)。如果我将此代码粘贴到一个新的蜘蛛中,它将无法工作,而且我必须安装 tldextract 模块,这使得测试有点棘手。

标签: python scrapy web-crawler


【解决方案1】:

http://www.szuhanchang.com/test.htmlstart_urls只有一个锚链接,即:

<a href="http://www.20130219-0606.com">Test</a>

其中包含指向域20130219-0606.com 的链接,并根据您的allowed_domains

['szuhanchang.com', 'www.szuhanchang.com', 'www.szuhanchang.com']

这个请求被OffsiteMiddleware过滤:

2013-02-19 18:03:25+0000 [crawler] DEBUG: Filtered offsite request to 'www.20130219-0606.com': <GET http://www.20130219-0606.com/>

因此parse_item 不会被这个网址调用。

【讨论】:

  • 不过我有两条规则,一条规则包含允许的域并且不应该遵循异地 URL,另一条规则是在找到的每个 URL 上运行回调。
  • 第二条规则永远不会被处理,因为一个链接只会被它满足的第一条规则处理一次,并且所有链接都满足第一条规则(默认情况下,锚标记中的href )。另一件事是链接提取器将根据其参数提取链接,在你的情况下,allow_domains 参数,(如果说这个规则是第一个)但是这个链接列表不会覆盖 OffsiteMiddleware 并且在这个情况下,它被过滤掉了。
【解决方案2】:

将您的回调名称更改为parse_start_url 似乎可行,尽管由于提供的测试 URL 非常小,我不确定这是否仍然有效。试一试,让我知道。 :)

【讨论】:

  • 不幸的是,这不起作用;如果这样做会很奇怪,因为 'parse_item' 不是任何 Crawler 父类中的已实现方法,并且许多在线示例都使用该确切的回调方法名称。
  • 它适用于我,但后来我不得不硬编码 initial_domaininitial_subdomain 以删除 tldextract 引用,因此它与上面的代码不同。如果您可以在不使用该模块的情况下发布一个无效的示例,那就更好了。
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2019-06-19
  • 1970-01-01
  • 1970-01-01
  • 2017-08-30
  • 1970-01-01
  • 2014-02-21
相关资源
最近更新 更多