11

Web サイト全体をクロールすることはできません。Scrapy は表面をクロールするだけです。さらに深くクロールしたいと考えています。過去5〜6時間グーグルで調べていましたが、助けにはなりませんでした。以下の私のコード：

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.item import Item
from scrapy.spider import BaseSpider
from scrapy import log

class ExampleSpider(CrawlSpider):
    name = "example.com"
    allowed_domains = ["example.com"]
    start_urls = ["http://www.example.com/"]
    rules = [Rule(SgmlLinkExtractor(allow=()), 
                  follow=True),
             Rule(SgmlLinkExtractor(allow=()), callback='parse_item')
    ]
    def parse_item(self,response):
        self.log('A response from %s just arrived!' % response.url)
4

2 に答える 2

6

ルールのショートサーキット。つまり、リンクが最初に満たすルールが適用され、2 番目のルール (コールバック付き) は呼び出されません。

ルールを次のように変更します。

rules = [Rule(SgmlLinkExtractor(), callback='parse_item', follow=True)]
于 2013-03-20T00:36:16.620 に答える
2

を解析するときstart_urls、より深い URL はタグによって解析できますhref。次に、関数でより深いリクエストを生成できますparse()。簡単な例を次に示します。最も重要なソース コードを以下に示します。

from scrapy.spiders import Spider
from tutsplus.items import TutsplusItem
from scrapy.http    import Request
import re

class MySpider(Spider):
    name            = "tutsplus"
    allowed_domains = ["code.tutsplus.com"]
    start_urls      = ["http://code.tutsplus.com/"]

    def parse(self, response):
        links = response.xpath('//a/@href').extract()

        # We stored already crawled links in this list
        crawledLinks = []

        # Pattern to check proper link
        # I only want to get tutorial posts
        linkPattern = re.compile("^\/tutorials\?page=\d+")

        for link in links:
        # If it is a proper link and is not checked yet, yield it to the Spider
            if linkPattern.match(link) and not link in crawledLinks:
                link = "http://code.tutsplus.com" + link
                crawledLinks.append(link)
                yield Request(link, self.parse)

        titles = response.xpath('//a[contains(@class, "posts__post-title")]/h1/text()').extract()
        for title in titles:
            item = TutsplusItem()
            item["title"] = title
            yield item
于 2016-12-06T09:06:51.363 に答える