如何使用Python Scrapy模块列出我网站上的所有URL？

我想使用Python从我的网站上刮取所有URL，并将列表写入一个文件。我查看了这些示例，但没有看到任何简单的示例可以做到这一点。

以下是对我有效的python程序：

from scrapy.selector import HtmlXPathSelector
from scrapy.spider import BaseSpider
from scrapy.http import Request

DOMAIN = 'example.com'
URL = 'http://%s' % DOMAIN

class MySpider(BaseSpider):
    name = DOMAIN
    allowed_domains = [DOMAIN]
    start_urls = [
        URL
    ]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        for url in hxs.select('//a/@href').extract():
            if not ( url.startswith('http://') or url.startswith('https://') ):
                url= URL + url 
            print url
            yield Request(url, callback=self.parse)

将其保存在名为

spider.py

的文件中

然后，您可以使用shell管道对该文本进行后期处理：

bash$ scrapy runspider spider.py > urls.out
bash$ cat urls.out| grep 'example.com' |sort |uniq |grep -v '#' |grep -v 'mailto' > example.urls

这给了我一个在我的站点中所有唯一URL的列表。

一些更干净（也许更有用）的东西将被使用

---

StackOverflow不是一个要求人们为你编写代码的网站-尝试一些东西，然后就你遇到的特定问题提出问题。你在那里试过教程吗？这是不言自明的。如果您/已经/尝试过本教程，但仍然有问题，请尝试发布一些您首先尝试过的代码（+1@Amber）Amber和inspectorG4dget，我编写了一个程序来实现这一点，但还不能发布，因为我没有足够的声誉-需要等待一段时间。明天早上我会发布解决方案。太好了。你已经得到了答案。现在继续接受答案。。。还有，哦，是的，可能会有一个“自学”徽章等着你。：）这个程序有一个小错误。行

如果不是url.startswith（'http://'）：

将无法正确处理https链接。@JoshuaSnider我更新了它。但这是一个简短的示例代码片段，因此并不意味着它对所有情况都具有权威性。这是否会返回网站内部或外部的链接？

from scrapy.linkextractors import LinkExtractor

    def parse(self, response):
        le = LinkExtractor() # empty for getting everything, check different options on documentation
        for link in le.extract_links(response):
            yield Request(link.url, callback=self.parse)