这是我的Scrapy代码......
import scrapy
class NewsSpider(scrapy.Spider):
name = "news"
start_urls = ['http://www.StartURL.com/scrapy/all-news-listing']
allowed_domains = ["www.xxxxx.com"]
def parse(self, response):
for news in response.xpath('head'):
yield {
'pagetype': news.xpath('//meta[@name="pdknpagetype"]/@content').extract(),
'pagetitle': news.xpath('//meta[@name="pdknpagetitle"]/@content').extract(),
'pageurl': news.xpath('//meta[@name="pdknpageurl"]/@content').extract(),
'pagedate': news.xpath('//meta[@name="pdknpagedate"]/@content').extract(),
'pagedescription': news.xpath('//meta[@name="pdknpagedescription"]/@content').extract(),
'bodytext': [' '.join(item.split()) for item in (response.xpath('//div[@class="module__contentp"]/*/node()/text()').extract())],
}
next_page = response.css('p a::attr(href)').extract_first()
if next_page is not None:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse)
我的 start_urls 页面如下所示 . 这是一个非常简单的页面,列出了我想抓取的所有3000个链接/网址...
<html>
<head>
<div>
<p><a href="http://www.xxxxx.com/asdas-sdf/kkm">Page 1</a></p>
<p><a href="http://www.xxxxx.com/vdfvd-asda/vdfvf/dfvd">Page 2</a></p>
<p><a href="http://www.xxxxx.com/oiijo/uoiu/xwswd">Page 3</a></p>
<p><a href="http://www.xxxxx.com/jnkjn-yutyy/hjj-sdf/plm">Page 4</a></p>
<p><a href="http://www.xxxxx.com/unhb-oiiuio/hbhb/jhjh/qwer">Page 5</a></p>
<p><a href="http://www.xxxxx.com/eres/popo-hbhh/oko-sdf/ynyt">Page 6</a></p>
<p><a href="http://www.xxxxx.com/yhbb-ytyu/oioi/rtgb/ttyht">Page 7</a></p>
..........
<p><a href="http://www.xxxxx.com/iojoij/uhuh/page3000">Page 3000</a></p>
</div>
</head>
</html>
当我将Scrapy发送到此页面时,它只是抓取第一个链接,即http://www.xxxxx.com/page1并停止 . No errors reported. Seems like this recursion part is not quite working... !那么如何修改此代码以转到这些3000个网址中的每一个,然后获取一些特定字段 .
我在其他一些类似的问题中看到,人们使用过“Rules”和Scrapy的“LinkExtractor”对象?我不确定我是否需要其中任何一种,因为我的要求非常简单 .
非常感谢任何帮助 . 谢谢
2 回答
每次请求像
http://www.xxxxx.com/page1
这样的页面时,如果页面的页面栏没有改变,您可能会在next_page = response.css('p a::attr(href)').extract_first()
上获得相同的结果 . 有更好的方法:这样,您就不需要使用回调 .
此代码中不需要
allowed_domains = ["www.xxxxx.com"]
,这可能是另一个原因 .我怀疑,这确实是递归逻辑中的一个缺陷 .
以下代码解决了我的问题....
最后两行做了递归魔法......