Python 使用Scrapy对网页中的URL进行爬网

我正在使用scrapy从某些网站提取数据。问题是我的蜘蛛只能抓取初始起始URL的网页，它无法抓取网页中的URL。 我复制了同样的蜘蛛：

    from scrapy.spider import BaseSpider
    from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
    from scrapy.selector import HtmlXPathSelector
    from scrapy.http import Request
    from scrapy.utils.response import get_base_url
    from scrapy.utils.url import urljoin_rfc
    from nextlink.items import NextlinkItem

    class Nextlink_Spider(BaseSpider):
        name = "Nextlink"
        allowed_domains = ["Nextlink"]
        start_urls = ["http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select('//body/div[2]/div[3]/div/ul/li[2]/a/@href')          
        for site in sites:
            relative_url = site.extract()
            url =  self._urljoin(response,relative_url)
            yield Request(url, callback = self.parsetext)

    def parsetext(self, response):
        log = open("log.txt", "a")
        log.write("test if the parsetext is called")
        hxs = HtmlXPathSelector(response)
        items = []
        texts = hxs.select('//div').extract()
        for text in texts:
            item = NextlinkItem()
            item['text'] = text
            items.append(item)
            log = open("log.txt", "a")
            log.write(text)
        return items

    def _urljoin(self, response, url):
        """Helper to convert relative urls to absolute"""
        return urljoin_rfc(response.url, url, response.encoding)

---

我使用log.txt来测试是否调用了parsetext。但是，在我运行spider之后，log.txt中没有任何内容。

我的猜测是这样的：

allowed_domains = ["Nextlink"]

这不是类似于domain.tld的域，因此它将拒绝任何链接。 如果您从以下位置获取示例：

allowed_domains=[“dmoz.org”]

请参见此处：

允许的\u域

包含允许此爬行器爬网的域的字符串的可选列表。如果启用OffItemIddleware，则不会跟踪不属于此列表中指定的域名的URL请求

因此，只要您没有在设置中激活OffsiteMiddleware，这并不重要，您可以将

允许的\u域

完全排除在外

---

检查settings.py是否激活OffItemIDdleware。如果你想让你的爬行器在任何域上爬行，它不应该被激活。

我认为问题在于，你没有告诉Scrapy跟随每个爬行的URL。对于我自己的博客，我实现了一个爬行蜘蛛，它使用基于LinkExtractor的规则从我的博客页面中提取所有相关链接：

# -*- coding: utf-8 -*-

'''
*   This program is free software: you can redistribute it and/or modify
*   it under the terms of the GNU General Public License as published by
*   the Free Software Foundation, either version 3 of the License, or
*   (at your option) any later version.
*
*   This program is distributed in the hope that it will be useful,
*   but WITHOUT ANY WARRANTY; without even the implied warranty of
*   MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
*   GNU General Public License for more details.
*
*   You should have received a copy of the GNU General Public License
*   along with this program.  If not, see <http://www.gnu.org/licenses/>.
*
*   @author Marcel Lange <info@ask-sheldon.com>
*   @package ScrapyCrawler 
 '''


from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor

import Crawler.settings
from Crawler.items import PageCrawlerItem


class SheldonSpider(CrawlSpider):
    name = Crawler.settings.CRAWLER_NAME
    allowed_domains = Crawler.settings.CRAWLER_DOMAINS
    start_urls = Crawler.settings.CRAWLER_START_URLS
    rules = (
        Rule(
            LinkExtractor(
                allow_domains=Crawler.settings.CRAWLER_DOMAINS,
                allow=Crawler.settings.CRAWLER_ALLOW_REGEX,
                deny=Crawler.settings.CRAWLER_DENY_REGEX,
                restrict_css=Crawler.settings.CSS_SELECTORS,
                canonicalize=True,
                unique=True
            ),
            follow=True,
            callback='parse_item',
            process_links='filter_links'
        ),
    )

    # Filter links with the nofollow attribute
    def filter_links(self, links):
        return_links = list()
        if links:
            for link in links:
                if not link.nofollow:
                    return_links.append(link)
                else:
                    self.logger.debug('Dropped link %s because nofollow attribute was set.' % link.url)
        return return_links

    def parse_item(self, response):
        # self.logger.info('Parsed URL: %s with STATUS %s', response.url, response.status)
        item = PageCrawlerItem()
        item['status'] = response.status
        item['title'] = response.xpath('//title/text()')[0].extract()
        item['url'] = response.url
        item['headers'] = response.headers
        return item

#-*-编码：utf-8-*-
'''
*此程序是免费软件：您可以重新发布和/或修改它
*它是根据GNU通用公共许可证的条款发布的
*自由软件基金会，或者许可证的第3版，或者
*（由您选择）任何更高版本。
*
*这个节目的发布是希望它会有用，
*但无任何保证；甚至没有任何关于
*适销性或适合某一特定目的。见
*有关更多详细信息，请参阅GNU通用公共许可证。
*
*您应该已经收到GNU通用公共许可证的副本
*和这个节目一起。如果没有，请参阅。
*
*@作者马塞尔·兰格
*@package ScrapyCrawler
'''
从scrapy.spider导入爬行蜘蛛，规则
从scrapy.LinkExtractor导入LinkExtractor
导入爬虫程序设置
从Crawler.items导入页面crawleritem
谢尔顿蜘蛛类（爬行蜘蛛）：
名称=Crawler.settings.Crawler\u名称
允许的\u域=Crawler.settings.Crawler\u域
开始\u URL=Crawler.settings.Crawler\u开始\u URL
规则=(
统治(
链接抽取器(
允许\u域=Crawler.settings.Crawler\u域，
allow=Crawler.settings.Crawler\u allow\u REGEX，
deny=Crawler.settings.Crawler\u deny\u REGEX，
restrict\u css=Crawler.settings.css\u选择器，
规范化=真，
唯一=真
),
follow=True，
callback='parse_item'，
处理链接=“过滤链接”
),
)
#使用nofollow属性筛选链接
def过滤器链接（自身、链接）：
return_links=list（）
如果链接：
对于链接中的链接：
如果不是link.nofollow：
返回链接。追加（链接）
其他：
self.logger.debug（'由于设置了nofollow属性而丢弃了链接%s。'%link.url）
返回链接
def解析_项（自身、响应）：
#self.logger.info（'解析的URL:%s，状态为%s'，response.URL，response.STATUS）
item=PageCrawleItem（）
项目['status']=响应状态
项['title']=response.xpath（'//title/text（）'）[0].extract（）
项['url']=response.url
item['headers']=response.headers
退货项目

---

在上，我详细描述了如何实现一个网站爬虫来预热我的Wordpress fullpage缓存。

你不相信关闭文件句柄吗？从未使用过scrapy，但是你读的不是完全正确的-allowed_domains只是allowed_domains的一个可选字符串列表-但是只有当你激活OffItemIDdleware时才会考虑它，默认情况下，OffItemIDdleware没有激活。我在allowed_domains中意外地输入了一个值，同样的问题，这让我有了相当长的时间。这个故事的寓意是：除非你真的需要，否则不要放在允许的域中