如何使用scrapy为爬虫创建规则

Question

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from manga.items import MangaItem

class MangaHere(BaseSpider):
    name = "mangah"
    allowed_domains = ["mangahere.com"]
    start_urls = ["http://www.mangahere.com/seinen/"]

    def parse(self,response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select('//ul/li/div')
        items = []
        for site in sites:
            rating = site.select("p/span/text()").extract()
            if rating > 4.5:
                item = MangaItem()
                item["title"] = site.select("div/a/text()").extract()
                item["desc"] = site.select("p[2]/text()").extract()
                item["link"] = site.select("div/a/@href").extract()
                item["rate"] = site.select("p/span/text()").extract()
                items.append(item)

        return items

我的目标是抓取 www.mangahere.com/seinen 或该网站上的任何内容。我想浏览每一页并收集评分高于 4.5 的书籍。我最初是一名 basespider，并尝试复制和阅读 scrapy 教程，但它几乎让我无法理解。我在这里问我要做什么来创建我的规则，以及如何。我似乎也无法让我的条件正常工作，代码要么只返回第一个项目并且不管条件如何都停止，或者抓住一切，再次不管条件。我知道它的代码可能很混乱，但我仍在努力学习。随意修改代码或提供其他建议

Answer 1

严格来说，这并不能回答问题，因为我的代码使用 BaseSpider 而不是 CrawlSpider，但它确实满足了 OP 的要求，所以......

注意事项：

1. 由于所有的分页链接都不可用（前九个，然后是后两个），我采用了一种有点hacktastic 的方法。使用parse 回调中的第一个响应，我搜索具有“下一个”类的链接（只有一个，所以看看它对应于哪个链接），然后找到它的前一个兄弟。这让我可以掌握 seinen 类别的总页数（目前为 45）。
2. 接下来，我们为要由parse_item 回调处理的第一页生成一个Request 对象。
3. 然后，鉴于我们已经确定总共有 45 个页面，我们为“./seinen/2.htm”生成一系列请求对象，一直到“./seinen/45.htm”。
4. 由于rating 是一个列表并且它的值是浮点数（基于条件是4.5，我应该已经意识到），修复遇到的错误的方法是循环遍历评级列表并强制每个item 是一个浮点数。

不管怎样，看看下面的代码，看看它是否有意义。从理论上讲，您应该能够轻松地扩展此代码以抓取多个类别，尽管这留给 OP 作为练习。 :)

from scrapy.spider import BaseSpider
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.http import Request
from tutorial.items import MangaItem
from urlparse import urlparse

class MangaHere(BaseSpider):
    name = "mangah2"
    start_urls = ["http://www.mangahere.com/seinen/"]
    allowed_domains = ["mangahere.com"]

    def parse(self, response):
        # get index depth ie the total number of pages for the category
        hxs = HtmlXPathSelector(response)
        next_link = hxs.select('//a[@class="next"]')
        index_depth = int(next_link.select('preceding-sibling::a[1]/text()').extract()[0])

        # create a request for the first page
        url = urlparse("http://www.mangahere.com/seinen/")
        yield Request(url.geturl(), callback=self.parse_item)

        # create a request for each subsequent page in the form "./seinen/x.htm"
        for x in xrange(2, index_depth):
            pageURL = "http://www.mangahere.com/seinen/%s.htm" % x
            url = urlparse(pageURL)
            yield Request(url.geturl(), callback=self.parse_item)

    def parse_item(self,response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select('//ul/li/div')
        items = []
        for site in sites:
            rating = site.select("p/span/text()").extract()
            for r in rating:
                if float(r) > 4.5:
                    item = MangaItem()
                    item["title"] = site.select("div/a/text()").extract()
                    item["desc"] = site.select("p[2]/text()").extract()
                    item["link"] = site.select("div/a/@href").extract()
                    item["rate"] = site.select("p/span/text()").extract()
                    items.append(item)
        return items