[英]Following links, Scrapy web crawler framework
在閱讀了 Scrapy 文檔之后,我仍然沒有發現使用 CrawlSpider 規則和在回調方法上實現我自己的鏈接提取機制之間的區別。
我即將使用后一種方法編寫一個新的 web 爬蟲,但只是因為我在過去的項目中使用規則的經驗很糟糕。 我真的很想知道我在做什么以及為什么。
有人熟悉這個工具嗎?
謝謝你的幫助!
CrawlSpider 繼承 BaseSpider。 它只是添加了提取和跟蹤鏈接的規則。 如果這些規則對您來說不夠靈活 - 使用 BaseSpider:
class USpider(BaseSpider):
"""my spider. """
start_urls = ['http://www.amazon.com/s/?url=search-alias%3Dapparel&sort=relevance-fs-browse-rank']
allowed_domains = ['amazon.com']
def parse(self, response):
'''Parse main category search page and extract subcategory search link.'''
self.log('Downloaded category search page.', log.DEBUG)
if response.meta['depth'] > 5:
self.log('Categories depth limit reached (recursive links?). Stopping further following.', log.WARNING)
hxs = HtmlXPathSelector(response)
subcategories = hxs.select("//div[@id='refinements']/*[starts-with(.,'Department')]/following-sibling::ul[1]/li/a[span[@class='refinementLink']]/@href").extract()
for subcategory in subcategories:
subcategorySearchLink = urlparse.urljoin(response.url, subcategorySearchLink)
yield Request(subcategorySearchLink, callback = self.parseSubcategory)
def parseSubcategory(self, response):
'''Parse subcategory search page and extract item links.'''
hxs = HtmlXPathSelector(response)
for itemLink in hxs.select('//a[@class="title"]/@href').extract():
itemLink = urlparse.urljoin(response.url, itemLink)
self.log('Requesting item page: ' + itemLink, log.DEBUG)
yield Request(itemLink, callback = self.parseItem)
try:
nextPageLink = hxs.select("//a[@id='pagnNextLink']/@href").extract()[0]
nextPageLink = urlparse.urljoin(response.url, nextPageLink)
self.log('\nGoing to next search page: ' + nextPageLink + '\n', log.DEBUG)
yield Request(nextPageLink, callback = self.parseSubcategory)
except:
self.log('Whole category parsed: ' + categoryPath, log.DEBUG)
def parseItem(self, response):
'''Parse item page and extract product info.'''
hxs = HtmlXPathSelector(response)
item = UItem()
item['brand'] = self.extractText("//div[@class='buying']/span[1]/a[1]", hxs)
item['title'] = self.extractText("//span[@id='btAsinTitle']", hxs)
...
即使 BaseSpider 的 start_urls 對您來說不夠靈活,也請覆蓋start_requests方法。
如果您想要選擇性爬取,例如獲取“下一個”鏈接進行分頁等,最好編寫自己的爬蟲。 但是對於一般的爬取,你應該使用 crawlspider 並使用 Rules & process_links function 過濾掉你不需要遵循的鏈接。
看一下\scrapy\contrib\spiders\crawl.py
中的 crawlspider 代碼,它並不太復雜。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.