Python 刮擦规则与正则表达式

我正在尝试使用Scrapy从geonames.org中删除信息。更具体地说，我想检索每个国家的10个最大城市。我的起始URL是。在本页中，我希望跟踪符合正则表达式的每个URL：

/countries/\w{2}/.html

然后在随后的页面（即国家/地区页面）上，我希望使用以下结构跟踪URL-YYYY.html中的最大城市 其中，XX是两个字母的国家代码，YYYY是国家的实际名称，显然可以是可变长度的。下面的代码不起作用。我怀疑这是因为第二条规则的正则表达式有问题。但也许不是

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors import LinkExtractor
import re
import os

class MySpider(CrawlSpider):
    name = 'geocodeSpider'
    allowed_domains = ['www.geonames.org']
    start_urls = ['http://www.geonames.org/countries/']

    fileName="largest_cities.txt"    
    try:
        os.remove(os.path.join('geocode/output',fileName))
    except OSError:
        pass
    rules = (
        Rule(LinkExtractor(allow=(r'/countries/\w{2}/.\.html', )),),
        Rule(LinkExtractor(allow=(r'/\w{2}/largest-cities-in-.\.html', )), callback='parse_item'),
  )


    def parse_item(self, response):
...

---

正则表达式中的

只匹配一个字符，因此只有当YYYY是单个字符时，两个正则表达式才能工作。您可能希望将这些

替换为

+

或

\w+

或类似内容。