如何使用Scrapy-XMLfeedspider从XML页面提取URL，加载它们并在其中提取信息？

Question

我正在使用Scrapy的XMLfeedspider从页面xml中提取信息。 我试图仅提取标签“ loc”内此页面上的链接并加载它们，但阻止页面重定向，然后将其发送到最后一个解析节点，该节点将从该页面收集信息。 问题是我不确定是否可以将这些页面加载到“ def star_urls”上，或者我是否需要使用parse_node并重定向到另一个解析以提取所需的信息，但是即使我尝试了，我不确定如何仅从xml页面提取链接，而不是所有loc标记。

恢复我的想法：

这个想法应该加载这个xml页面，并从其中提取<loc>标记内的链接，如下所示：

https://www.gotdatjuice.com/track-2913133-sk-invitational-ft-sadat-x-lylit-all-one-cdq.html https://www.gotdatjuice.com/track-2913131-sk-invitational -ft-MOP-WE-不要一站式cdq.html

然后最后加载每个页面并提取标题和URL。

有任何想法吗？

在我的代码下面找到：

from scrapy.loader import ItemLoader
from scrapy.spiders import XMLFeedSpider
from scrapy.http import Request
from testando.items import CatalogueItem

class TestSpider(XMLFeedSpider):

    name = "test"
    allowed_domains = ["gotdajuice.ie"]
    start_urls = [      
        'https://www.gotdatjuice.com/sitemap.xml'
    ]   

    namespaces = [('n', 'http://www.sitemaps.org/schemas/sitemap/0.9')]
    itertag = 'n:loc'
    iterator = 'xml'


    name_path = ".//div[@class='song-name']/h1/text()"


    def start_request(self):
      urls = node.xpath(".//loc/text()").extract()
      for url in urls:
          yield scrapy.Request(
            meta={'dont_redirect': True},
            dont_filter=True,
            url=url, callback=self.parse_node)

    def parse_node(self, response, node):

        l = ItemLoader(item=CatalogueItem(), response=response)
        l.add_xpath('name', self.name_path)
        l.add_value('url', response.url)
        return l.load_item()

Answer 1

我不理解您要求不重定向的要求。 无论如何，请参见下面的修改后的蜘蛛代码：

import scrapy
from scrapy.loader import ItemLoader
from scrapy.spiders import XMLFeedSpider
from scrapy.http import Request

class TestSpider(XMLFeedSpider):
    name = "test"
    allowed_domains = ["gotdajuice.com"]
    start_urls = [
        'https://www.gotdatjuice.com/sitemap.xml'
    ]

    namespaces = [('n', 'http://www.sitemaps.org/schemas/sitemap/0.9')]
    itertag = 'n:loc'
    iterator = 'xml'

    name_path = ".//div[@class='song-name']/h1/text()"

    def parse_node(self, response, node):
      urls = node.xpath("./text()").extract()
      for url in urls:
          yield scrapy.Request(
            meta={'dont_redirect': True},
            dont_filter=True,
            url=url, callback=self.parse_item)

    def parse_item(self, response):
        yield {
            'name': response.xpath(self.name_path).extract_first(),
            'url': response.url,
        }

修改：

1. 导入了scrapy模块，稍后在代码中使用scrapy.Request 。
2. 更改了allowed_domains （ .ie到.com ）以反映您抓取的实际域。
3. 您的start_requests包含parse_node实际需要的parse_node 。 迭代过loc元素被照顾iterator和itertag设置XMLFeedSpider并将结果传递到parse_node 。 里面的代码，然后产生Request S能够被解析项目细节parse_item 。
4. parse_item仅以dict格式生成项目，因为我无权访问您的CatalogueItem 。

Answer 2

您应该使用xmltodict

import xmltodict
def start_requests(self):
    yield Request("https://www.gotdatjuice.com/sitemap.xml", callback=self.parse_sitemap)
def parse_sitemap(self,response):

obj = xmltodict.parse(response.body)
monString = json.dumps(obj)
json_data = json.loads(monString)

urls = json_data['urlset']['url']
for url in urls :
    loc = url['loc']