Python 爬行蜘蛛不会刮东西

Python 爬行蜘蛛不会刮东西,python,scrapy,Python,Scrapy,评论内容是一种在没有爬行蜘蛛的情况下对页面进行爬行的方法,这里有人帮了我。但我还是想学习如何让爬行蜘蛛工作,因为我知道 我没有收到任何错误,但它刮去了0页,我检查了很多线程,听起来好像出于某种原因我不得不添加一个parse\u start\u url,但这没有帮助,更改parse函数的名称也没有帮助 什么不起作用?我的规则是不正确的还是遗漏了什么?allow应该是URL的REGEX,而不是xpath 如果要使用xpath,则需要使用restrict\u xpath您需要将规则更改为以下内容:

评论内容是一种在没有爬行蜘蛛的情况下对页面进行爬行的方法,这里有人帮了我。但我还是想学习如何让爬行蜘蛛工作,因为我知道

我没有收到任何错误,但它刮去了0页,我检查了很多线程,听起来好像出于某种原因我不得不添加一个
parse\u start\u url
,但这没有帮助,更改parse函数的名称也没有帮助


什么不起作用?我的规则是不正确的还是遗漏了什么?

allow应该是URL的
REGEX
,而不是
xpath


如果要使用xpath,则需要使用
restrict\u xpath

您需要将规则更改为以下内容:

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
#scrapy crawl dmoz -o items.json -t json
from scrapy.http import Request
from urlparse import urlparse

from manga.items import MangaItem

class MangaHere(CrawlSpider):
    name = "mangahs"
    allowed_domains = ["mangahere.com"]
    start_urls = ["http://www.mangahere.com/seinen/"]
    rules = [Rule(SgmlLinkExtractor(allow = ('//a[@class="next"]')), follow=True, 

        callback='parse_item'),]


#def parse(self, response):
    # get indext depth for every page
   # hxs = HtmlXPathSelector(response)
   # next_link = hxs.select('//a[@class="next"]')
   # index_depth = int(next_link.select('preceding-sibling::a[1]/text()').extract()[0])        
    #create a request for the first page

  #  url = urlparse("http://www.mangahere.com/seinen/")
  #  yield Request(url.geturl(), callback=self.parse_item)

    #create a request for each subsequent page in the form "./seinen/x.html"
 #   for x in xrange(2, index_depth):
 #       pageURL = "http://www.mangahere.com/seinen/%s.htm" % x
 #       url = urlparse(pageURL)
  #      yield Request(url.geturl(), callback=self.parse_item)
    def parse_start_url(self, response):
        list(self.parse_item(response))

    def parse_item(self,response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select('//ul/li/div')
        items = []
        for site in sites:
            rating = site.select("p/span/text()").extract()      
            desc = site.select("p[2]/text()").extract()
            for i in rating: 
                for p in desc:
                    if float(i) > 4.8 and "ecchi" not in str(p):
                        item = MangaItem()
                        item['title'] = site.select("div/a/text()").extract()
                        item['link'] = site.select("div/a/@href").extract()
                        item['desc'] = site.select("p[2]/text()").extract()
                        item['rate'] = site.select("p/span/text()").extract()         

                        items.append(item)
        return items

规则中的回调与方法不匹配。CrawlSpider有一个名为parse的默认方法,因此
def parse(CrawlSpider)
应该更改为
def parse_item
以匹配您的回调

谢谢,我添加了一个限制路径,没有允许路径,它似乎正在工作!在这件事上浪费了很多时间>
rules = [Rule(SgmlLinkExtractor(allow = ('/\d+.htm')), follow=True, 
    callback='parse_item'),]