Python Scrapy-解析页面以提取项目-然后跟踪并存储项目url内容

我有一个关于如何用scrapy做这件事的问题。我有一个爬行器，可以爬行以列出项目页面。 每次找到包含项的列表页面时，都会调用parse_item（）回调来提取项数据并生成项。到目前为止一切都很好

但每个项目都有一个url，其中包含关于该项目的更多详细信息。我希望跟踪该url，并将获取的该项目url的内容存储在另一个项目字段（url\U内容）中

我不知道如何组织代码来实现这一点，因为两个链接（listings链接和一个特定的item链接）的遵循方式不同，回调在不同的时间调用，但我必须在相同的item处理中关联它们

到目前为止，我的代码如下所示：

class MySpider(CrawlSpider):
    name = "example.com"
    allowed_domains = ["example.com"]
    start_urls = [
        "http://www.example.com/?q=example",
    ]

    rules = (
        Rule(SgmlLinkExtractor(allow=('example\.com', 'start='), deny=('sort='), restrict_xpaths = '//div[@class="pagination"]'), callback='parse_item'),
        Rule(SgmlLinkExtractor(allow=('item\/detail', )), follow = False),
    )


    def parse_item(self, response):
        main_selector = HtmlXPathSelector(response)
        xpath = '//h2[@class="title"]'

        sub_selectors = main_selector.select(xpath)

        for sel in sub_selectors:
            item = ExampleItem()
            l = ExampleLoader(item = item, selector = sel)
            l.add_xpath('title', 'a[@title]/@title')
            ......
            yield l.load_item()

itemloaded = l.load_item()

# fill url contents
url = sel.select(item_url_xpath).extract()[0]
request = Request(url, callback = lambda r: self.parse_url_contents(r))
request.meta['item'] = itemloaded

yield request

def parse_url_contents(self, response):
    item = response.request.meta['item']
    item['url_contents'] = response.body
    yield item

---

我遇到了完全相同的问题，由于两天来没有人回答您的问题，我认为唯一的解决方案是从

parse_item

函数中手动跟踪该URL

---

我是Scrapy的新手，所以我不会尝试这样做（虽然我确信这是可能的），但我的解决方案是使用

urllib

和BeatifulSoup手动加载第二页，自己提取该信息，并将其保存为项目的一部分。是的，比Scrapy进行正常解析要麻烦得多，但它应该以最少的麻烦完成这项工作。

经过一些测试和思考，我发现这个解决方案适合我。 我们的想法是只使用第一条规则，它为您提供项目列表，而且非常重要的是，将follow=True添加到该规则中

在parse_item（）中，您必须生成一个请求而不是一个项，但在加载该项之后。请求是指向项目详细信息url。您必须将加载的项发送到该请求回调。你做你的工作与反应，并在那里你产生的项目

因此，parse_item（）的完成将如下所示：

class MySpider(CrawlSpider):
    name = "example.com"
    allowed_domains = ["example.com"]
    start_urls = [
        "http://www.example.com/?q=example",
    ]

    rules = (
        Rule(SgmlLinkExtractor(allow=('example\.com', 'start='), deny=('sort='), restrict_xpaths = '//div[@class="pagination"]'), callback='parse_item'),
        Rule(SgmlLinkExtractor(allow=('item\/detail', )), follow = False),
    )


    def parse_item(self, response):
        main_selector = HtmlXPathSelector(response)
        xpath = '//h2[@class="title"]'

        sub_selectors = main_selector.select(xpath)

        for sel in sub_selectors:
            item = ExampleItem()
            l = ExampleLoader(item = item, selector = sel)
            l.add_xpath('title', 'a[@title]/@title')
            ......
            yield l.load_item()

itemloaded = l.load_item()

# fill url contents
url = sel.select(item_url_xpath).extract()[0]
request = Request(url, callback = lambda r: self.parse_url_contents(r))
request.meta['item'] = itemloaded

yield request

def parse_url_contents(self, response):
    item = response.request.meta['item']
    item['url_contents'] = response.body
    yield item

然后parse_url_contents（）将如下所示：

class MySpider(CrawlSpider):
    name = "example.com"
    allowed_domains = ["example.com"]
    start_urls = [
        "http://www.example.com/?q=example",
    ]

    rules = (
        Rule(SgmlLinkExtractor(allow=('example\.com', 'start='), deny=('sort='), restrict_xpaths = '//div[@class="pagination"]'), callback='parse_item'),
        Rule(SgmlLinkExtractor(allow=('item\/detail', )), follow = False),
    )


    def parse_item(self, response):
        main_selector = HtmlXPathSelector(response)
        xpath = '//h2[@class="title"]'

        sub_selectors = main_selector.select(xpath)

        for sel in sub_selectors:
            item = ExampleItem()
            l = ExampleLoader(item = item, selector = sel)
            l.add_xpath('title', 'a[@title]/@title')
            ......
            yield l.load_item()

itemloaded = l.load_item()

# fill url contents
url = sel.select(item_url_xpath).extract()[0]
request = Request(url, callback = lambda r: self.parse_url_contents(r))
request.meta['item'] = itemloaded

yield request

def parse_url_contents(self, response):
    item = response.request.meta['item']
    item['url_contents'] = response.body
    yield item

如果有人有其他（更好的）方法，请告诉我们

---

斯特凡

我就是这样做的。我认为唯一的另一种选择是在存储/输出阶段重新组合数据。是的，我们还确认了scrapy group，因此我选择了我的答案