【问题标题】:Scrapy start_urlsScrapy start_urls
【发布时间】:2012-01-18 00:39:34
【问题描述】:

The script(下)来自this 教程包含两个start_urls

from scrapy.spider import Spider
from scrapy.selector import Selector

from dirbot.items import Website

class DmozSpider(Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/",
    ]

    def parse(self, response):
        """
        The lines below is a spider contract. For more info see:
        http://doc.scrapy.org/en/latest/topics/contracts.html
        @url http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/
        @scrapes name
        """
        sel = Selector(response)
        sites = sel.xpath('//ul[@class="directory-url"]/li')
        items = []

        for site in sites:
            item = Website()
            item['name'] = site.xpath('a/text()').extract()
            item['url'] = site.xpath('a/@href').extract()
            item['description'] = site.xpath('text()').re('-\s[^\n]*\\r')
            items.append(item)

        return items

但是为什么它只抓取这两个网页呢?我看到allowed_domains = ["dmoz.org"] 但这两个页面还包含指向dmoz.org 域内的其他页面的链接!为什么它也不刮掉它们?

【问题讨论】:

    标签: python scrapy


    【解决方案1】:

    start_urls 类属性包含起始 url - 仅此而已。如果您已经提取了您想要抓取的其他页面的 url - yield from parse 回调对应的请求与 [another] 回调:

    class Spider(BaseSpider):
    
        name = 'my_spider'
        start_urls = [
                    'http://www.domain.com/'
        ]
        allowed_domains = ['domain.com']
    
        def parse(self, response):
            '''Parse main page and extract categories links.'''
            hxs = HtmlXPathSelector(response)
            urls = hxs.select("//*[@id='tSubmenuContent']/a[position()>1]/@href").extract()
            for url in urls:
                url = urlparse.urljoin(response.url, url)
                self.log('Found category url: %s' % url)
                yield Request(url, callback = self.parseCategory)
    
        def parseCategory(self, response):
            '''Parse category page and extract links of the items.'''
            hxs = HtmlXPathSelector(response)
            links = hxs.select("//*[@id='_list']//td[@class='tListDesc']/a/@href").extract()
            for link in links:
                itemLink = urlparse.urljoin(response.url, link)
                self.log('Found item link: %s' % itemLink, log.DEBUG)
                yield Request(itemLink, callback = self.parseItem)
    
        def parseItem(self, response):
            ...
    

    如果您仍想自定义启动请求创建,请覆盖方法BaseSpider.start_requests()

    【讨论】:

      【解决方案2】:

      start_urls 包含蜘蛛开始爬行的那些链接。 如果你想递归爬行,你应该使用 crawlspider 并为此定义规则。 http://doc.scrapy.org/en/latest/topics/spiders.html 看看那里的例子。

      【讨论】:

        【解决方案3】:

        该类没有rules 属性。查看http://readthedocs.org/docs/scrapy/en/latest/intro/overview.html 并搜索“规则”以查找示例。

        【讨论】:

        【解决方案4】:

        如果你使用BaseSpider,在回调中,你必须自己提取你想要的url并返回一个Request对象。

        如果您使用CrawlSpider,链接提取将由规则和与规则关联的 SgmlLinkExtractor 负责。

        【讨论】:

          【解决方案5】:

          如果你使用规则来跟踪链接(已经在 scrapy 中实现),蜘蛛也会抓取它们。希望对您有所帮助...

              from scrapy.contrib.spiders import BaseSpider, Rule
              from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
              from scrapy.selector import HtmlXPathSelector
          
          
              class Spider(BaseSpider):
                  name = 'my_spider'
                  start_urls = ['http://www.domain.com/']
                  allowed_domains = ['domain.com']
                  rules = [Rule(SgmlLinkExtractor(allow=[], deny[]), follow=True)]
          
               ...
          

          【讨论】:

            【解决方案6】:

            你没有写函数来处理你想要得到的url。所以有两种方法来reslolve。1.使用规则(crawlspider)2:编写处理新url的函数。并将它们放入回调函数。

            【讨论】:

              猜你喜欢
              • 1970-01-01
              • 2014-03-27
              • 1970-01-01
              • 1970-01-01
              • 2014-06-22
              • 2013-12-05
              • 2021-11-05
              • 2022-01-13
              • 2019-03-10
              相关资源
              最近更新 更多