[英]How to I get Python Scrapy to extract all of the domains of all external links from a web page?
我希望循环检查每个链接 - 如果它转到 output 它的外部域 - 目前它输出所有链接(内部和外部)。 我搞砸了什么? (为了测试,我已将代码调整为仅从单个页面运行,而不是爬取站点的 rest。)
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
import re
class MySpider(CrawlSpider):
name = 'crawlspider'
allowed_domains = ['en.wikipedia.org']
start_urls = ['https://en.wikipedia.org/wiki/BBC_News']
rules = (
Rule(LinkExtractor(), callback='parse_item', follow=False),
)
def parse_item(self, response):
item = dict()
item['url'] = response.url
item['title']=response.xpath('//title').extract_first()
for link in LinkExtractor(allow=(),deny=self.allowed_domains).extract_links(response):
item['links']=response.xpath('//a/@href').extract()
return item
您的parse_item
方法中的逻辑看起来不太正确
def parse_item(self, response):
item = dict()
item['url'] = response.url
item['title']=response.xpath('//title').extract_first()
for link in LinkExtractor(allow=(),deny=self.allowed_domains).extract_links(response):
item['links']=response.xpath('//a/@href').extract()
return item
您正在遍历提取器中的每个link
,但始终将item["links"]
设置为完全相同的内容(来自响应页面的所有链接)。 我希望您尝试将item["links"]
设置为来自LinkExtractor
的所有链接? 如果是这样,您应该将方法更改为
def parse_item(self, response):
item = dict()
item['url'] = response.url
item['title'] = response.xpath('//title').extract_first()
links = [link.url for link in LinkExtractor(deny=self.allowed_domains).extract_links(response)]
item['links'] = links
return item
如果您真的只想要域,那么您可以使用urlparse
中的urllib.parse
来获取netloc
。 您可能还想使用set
删除重复项。 所以你的解析方法会变成(最好在文件顶部导入)
def parse_item(self, response):
from urllib.parse import urlparse
item = dict()
item["url"] = response.url
item["title"] = response.xpath("//title").extract_first()
item["links"] = {
urlparse(link.url).netloc
for link in LinkExtractor(deny=self.allowed_domains).extract_links(response)
}
return item
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.