Python 如何使用scrapy为爬行蜘蛛创建规则
我的目标是抓取www.mangahere.com/seinen或该网站上的任何内容。我想翻阅每一页,收集评级超过4.5的书籍。我一开始是一个basespider,并试图复制和阅读这本粗糙的教程,但它几乎超出了我的想象。我来这里是想问我该怎么做才能制定规则,以及如何制定规则。我似乎也不能让我的条件发挥作用,代码要么只返回第一个项目,不管条件如何停止,要么抓住一切,再次不管条件如何。我知道这可能是相当混乱的代码,但我仍然在努力学习。请随意修改代码或提供其他建议严格来说,这并不能回答问题,因为我的代码使用了Python 如何使用scrapy为爬行蜘蛛创建规则,python,web-crawler,scrapy,Python,Web Crawler,Scrapy,我的目标是抓取www.mangahere.com/seinen或该网站上的任何内容。我想翻阅每一页,收集评级超过4.5的书籍。我一开始是一个basespider,并试图复制和阅读这本粗糙的教程,但它几乎超出了我的想象。我来这里是想问我该怎么做才能制定规则,以及如何制定规则。我似乎也不能让我的条件发挥作用,代码要么只返回第一个项目,不管条件如何停止,要么抓住一切,再次不管条件如何。我知道这可能是相当混乱的代码,但我仍然在努力学习。请随意修改代码或提供其他建议严格来说,这并不能回答问题,因为我的代码
BaseSpider
而不是CrawlSpider
,但它确实满足OP的要求,所以
注意事项:
parse
回调中的第一个响应,我搜索一个类为“next”的链接(只有一个,所以请查看它对应于哪个链接),然后找到它的前一个同级链接。这为我提供了seinen类别中总页数的句柄(目前为45页)parse\u项
回调处理的第一个页面生成一个请求对象rating
是一个列表,其值是浮动的(我应该在条件为4.5的基础上意识到这一点),因此修复遇到的错误的方法是循环查看评级列表,并将每个项目转换为浮动啊,这是有道理的,我试过浮动(评级),但由于某种原因,这不起作用,谢谢。我将重新测试代码并返回结果。它说我不能将评级转换为int,因为它是一个列表,我如何使它不返回列表?
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from manga.items import MangaItem
class MangaHere(BaseSpider):
name = "mangah"
allowed_domains = ["mangahere.com"]
start_urls = ["http://www.mangahere.com/seinen/"]
def parse(self,response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//ul/li/div')
items = []
for site in sites:
rating = site.select("p/span/text()").extract()
if rating > 4.5:
item = MangaItem()
item["title"] = site.select("div/a/text()").extract()
item["desc"] = site.select("p[2]/text()").extract()
item["link"] = site.select("div/a/@href").extract()
item["rate"] = site.select("p/span/text()").extract()
items.append(item)
return items
from scrapy.spider import BaseSpider
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.http import Request
from tutorial.items import MangaItem
from urlparse import urlparse
class MangaHere(BaseSpider):
name = "mangah2"
start_urls = ["http://www.mangahere.com/seinen/"]
allowed_domains = ["mangahere.com"]
def parse(self, response):
# get index depth ie the total number of pages for the category
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.htm"
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_item(self,response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//ul/li/div')
items = []
for site in sites:
rating = site.select("p/span/text()").extract()
for r in rating:
if float(r) > 4.5:
item = MangaItem()
item["title"] = site.select("div/a/text()").extract()
item["desc"] = site.select("p[2]/text()").extract()
item["link"] = site.select("div/a/@href").extract()
item["rate"] = site.select("p/span/text()").extract()
items.append(item)
return items