lea*_*yUI 12 web-crawler scrapy
我正在使用scrapy来抓取网站上的多个页面.该变量start_urls
用于定义要爬网的页面.我最初会从第一页开始,因此start_urls = [1st page]
在文件中定义example_spider.py
从第一页获得更多信息后,我将确定要抓取的下一页是什么,然后start_urls
相应地进行分配.因此,我必须覆盖上面的example_spider.py并进行更改start_urls = [1st page, 2nd page, ..., Kth page]
,然后再次运行scrapy crawl.
这是最好的方法还是有更好的方法来动态分配start_urls
使用scrapy API而不必覆盖example_splider.py
?谢谢.
war*_*iuc 22
start_urls
class属性包含start urls - 仅此而已.如果你已经提取了你想要抓取的其他页面的网址 - parse
通过[另一个]回调从回调相应的请求中获得:
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):
...
Run Code Online (Sandbox Code Playgroud)
如果您仍想自定义创建启动请求,请覆盖方法BaseSpider.start_requests()
归档时间: |
|
查看次数: |
9145 次 |
最近记录: |