使scrapy蜘蛛跟随给定起始网址中的链接

Question

我正在尝试使用scrapy 构建一个简单的蜘蛛，以导航从给定start_urls 开始的链接，并在页面内抓取两个项目。

目标：这是我的starting page。在这里你会看到一个护身符列表，我想输入每个护身符页面并在这些页面内，刮掉风味文本和项目名称。

我首先构建了一个工作原型，给一个护身符它会抓取他的数据，现在我想扩展它，这样它就可以同时为所有这些人做这件事，但我在寻找如何做到这一点上遇到了很多困难。

这是目前为止的代码：

import scrapy
from PoExtractor.items import PoextractorItem
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor


class ArakaaliSpider(scrapy.Spider):
    name = "arakaali"
    allowed_domains = ['pathofexile.gamepedia.com']
    start_urls = ['https://pathofexile.gamepedia.com/List_of_unique_accessories']

    rules = (Rule(LinkExtractor(restrict_xpaths=(unique=True), callback='parse', follow=True))


    def parse(self, response):
        for link in LinkExtractor(allow=(), deny=()).extract_links(response):
          item = PoextractorItem()
          item["item_name"] = response.xpath("//*[@id='mw-content-text']/span/span[1]/span[1]/text()[1]").extract()
          item["flavor_text"] = response.xpath("//*[@id='mw-content-text']/span/span[1]/span[2]/span[3]/text()").extract()
          yield item

item_name 和 flavor_text xpath 运行良好，它是使用 Chrome 的“检查元素”功能提取的，但在规则或 parse 的循环中有些东西不起作用，因为这是首次亮相：

2018-08-30 09:23:13 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pathofexile.gamepedia.com/List_of_unique_accessories>
{'flavor_text': [], 'item_name': []}
2018-08-30 09:23:13 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pathofexile.gamepedia.com/List_of_unique_accessories>
{'flavor_text': [], 'item_name': []}
2018-08-30 09:23:13 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pathofexile.gamepedia.com/List_of_unique_accessories>
{'flavor_text': [], 'item_name': []}
2018-08-30 09:23:13 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pathofexile.gamepedia.com/List_of_unique_accessories>
{'flavor_text': [], 'item_name': []}
2018-08-30 09:23:13 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pathofexile.gamepedia.com/List_of_unique_accessories>
{'flavor_text': [], 'item_name': []}
2018-08-30 09:23:13 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pathofexile.gamepedia.com/List_of_unique_accessories>
{'flavor_text': [], 'item_name': []}
2018-08-30 09:23:13 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pathofexile.gamepedia.com/List_of_unique_accessories>
{'flavor_text': [], 'item_name': []}
2018-08-30 09:23:13 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pathofexile.gamepedia.com/List_of_unique_accessories>
{'flavor_text': [], 'item_name': []}

这样持续了一段时间，然后包含名称和风味的文件显示：

flavor_text,item_name

,

,

,

,

,

,

它会持续运行超过 300 行。

其他有用信息：并非页面中的所有链接都指向另一个页面，其中存在项目名称和风味，因此可以找到空白点，我的问题是，为什么它们都是白色的？不是跟随游戏物品页面的链接吗？

提前感谢您的每一个回复

Answer 1

不要使用parse 作为LinkExtractor 回调的名称！我已经修复了您的语法错误并在您的代码中添加了一些 restrict_xpaths：

class ArakaaliSpider(CrawlSpider):
    name = "arakaali"
    allowed_domains = ['pathofexile.gamepedia.com']
    start_urls = ['https://pathofexile.gamepedia.com/List_of_unique_accessories']

    rules = (
        Rule(
            LinkExtractor(
                restrict_xpaths='//table[contains(@class, "wikitable")]//tr/td[1]//span[@class="c-item-hoverbox__activator"]//a[1]'
            ),
            callback='parse_details',
            follow=True
        ),
    )


    def parse_details(self, response):
        item = PoextractorItem()
        item["item_name"] = response.xpath("//*[@id='mw-content-text']/span/span[1]/span[1]/text()[1]").extract()
        item["flavor_text"] = response.xpath("//*[@id='mw-content-text']/span/span[1]/span[2]/span[3]/text()").extract()
        yield item

Answer 2

您必须首先编写一个函数来向游戏项目页面发送请求（解析函数本身），然后在第二个函数中将当前代码添加到函数解析中。

您可以通过多种方式发送请求。

1.由于你使用的是scrapy，所以可以使用以下代码

def parse_page1(self, response):
    return scrapy.Request("http://www.example.com/some_page.html",
                          callback=self.parse_page2)

def parse_page2(self, response):
    # this would log http://www.example.com/some_page.html
    self.logger.info("Visited %s", response.url)

parse_page1 会向 url 发送请求，你会在 parse_page2 函数中得到响应。

2.您甚至可以使用python requests 模块发送请求，

import requests
resp = req.get("http://www.something.com")

print(resp.text)

如果您对此有任何疑问，请发表评论，谢谢