我正在尝试使用 Scrapy 收集某个域下的所有 URL。我试图使用 CrawlSpider 从主页开始抓取他们的网络。对于每个页面,我想使用 Xpath 提取所有的 href。并以键值对等格式存储数据。
键:当前Url
值:该页面上的所有链接。
class MySpider(CrawlSpider):
name = 'abc.com'
allowed_domains = ['abc.com']
start_urls = ['http://www.abc.com']
rules = (Rule(SgmlLinkExtractor()), )
def parse_item(self, response):
hxs = HtmlXPathSelector(response)
item = AbcItem()
item['key'] = response.url
item['value'] = hxs.select('//a/@href').extract()
return item
我定义我的 AbcItem() 如下所示:
从 scrapy.item 导入项目、字段
class AbcItem(Item):
# key: url
# value: list of links existing in the key url
key = Field()
value = Field()
pass
当我像这样运行我的代码时:
nohup scrapy crawl abc.com -o output -t csv &
机器人似乎开始爬行,我可以看到 nohup.out 文件被所有配置日志填充,但我的输出文件中没有信息..这就是我想要收集的信息,任何人都可以帮助我吗?我的机器人可能出了什么问题?
您应该为规则定义回调。这是获取所有链接的示例twitter.com
主页 (follow=False
):
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.item import Item, Field
class MyItem(Item):
url= Field()
class MySpider(CrawlSpider):
name = 'twitter.com'
allowed_domains = ['twitter.com']
start_urls = ['http://www.twitter.com']
rules = (Rule(SgmlLinkExtractor(), callback='parse_url', follow=False), )
def parse_url(self, response):
item = MyItem()
item['url'] = response.url
return item
然后,在输出文件中,我看到:
http://status.twitter.com/
https://twitter.com/
http://support.twitter.com/forums/26810/entries/78525
http://support.twitter.com/articles/14226-how-to-find-your-twitter-short-code-or-long-code
...
希望有帮助。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)