Python 胶状链接抽取器复制(?)
我已经实现了如下的爬虫程序 它正在工作,它将通过Python 胶状链接抽取器复制(?),python,algorithm,python-2.7,web-crawler,scrapy,Python,Algorithm,Python 2.7,Web Crawler,Scrapy,我已经实现了如下的爬虫程序 它正在工作,它将通过链接提取器管理的站点 基本上,我尝试从页面的不同位置提取信息: -类“news”(如果存在)下的href和text() -类“think block”下的图像url(如果存在) 我的刮痧有三个问题: 1)复制linkextractor 似乎它将复制已处理的页面。(我对照导出文件检查,发现相同的~.img出现了很多次,但几乎不可能) 事实上,对于网站中的每个页面,底部都有超链接,方便用户指向他们感兴趣的主题,而我的目标是从主题页面(这里列出了同一主题
链接提取器
管理的站点
基本上,我尝试从页面的不同位置提取信息:
-类“news”(如果存在)下的href和text()
-类“think block”下的图像url(如果存在)
我的刮痧有三个问题:
1)复制linkextractor
似乎它将复制已处理的页面。(我对照导出文件检查,发现相同的~.img出现了很多次,但几乎不可能)
事实上,对于网站中的每个页面,底部都有超链接,方便用户指向他们感兴趣的主题,而我的目标是从主题页面(这里列出了同一主题下的几个段落标题)和一个段落页面中找到的图像中提取信息(你可以点击主题页面上的文章标题进入文章页面)
我怀疑链接提取器会在这种情况下再次循环相同的页面
(可能用深度限制解决?)
2)改进分析项目
我认为它对于解析\u item
来说效率很低。我怎样才能改进它?我需要从web中的不同位置提取信息(确保它仅在存在时提取)。此外,似乎parse_项只能处理HkejImage而不能处理HKEJIMET(我再次检查了输出文件)。我应该如何处理这个问题
3)我需要蜘蛛能够读中文。
我正在香港的一个网站上爬行,能够阅读中文是非常必要的
网站:
只要它属于“dailynews”,那就是我想要的
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import Selector
from scrapy.http import Request, FormRequest
from scrapy.contrib.linkextractors import LinkExtractor
import items
class EconjournalSpider(CrawlSpider):
name = "econJournal"
allowed_domains = ["hkej.com"]
login_page = 'http://www.hkej.com/template/registration/jsp/login.jsp'
start_urls = 'http://www.hkej.com/dailynews'
rules=(Rule(LinkExtractor(allow=('dailynews', ),unique=True), callback='parse_item', follow =True),
)
def start_requests(self):
yield Request(
url=self.login_page,
callback=self.login,
dont_filter=True
)
# name column
def login(self, response):
return FormRequest.from_response(response,
formdata={'name': 'users', 'password': 'my password'},
callback=self.check_login_response)
def check_login_response(self, response):
"""Check the response returned by a login request to see if we are
successfully logged in.
"""
if "username" in response.body:
self.log("\n\n\nSuccessfully logged in. Let's start crawling!\n\n\n")
return Request(url=self.start_urls)
else:
self.log("\n\n\nYou are not logged in.\n\n\n")
# Something went wrong, we couldn't log in, so nothing happens
def parse_item(self, response):
hxs = Selector(response)
news=hxs.xpath("//div[@class='news']")
images=hxs.xpath('//p')
for image in images:
allimages=items.HKejImage()
allimages['image'] = image.xpath('a/img[not(@data-original)]/@src').extract()
yield allimages
for new in news:
allnews = items.HKejItem()
allnews['news_title']=new.xpath('h2/@text()').extract()
allnews['news_url'] = new.xpath('h2/@href').extract()
yield allnews
非常感谢您,我将非常感谢您的帮助 首先,要设置设置,请在
settings.py
文件中设置,或者您可以在spider上指定custom\u settings
参数,如:
custom_settings = {
'DEPTH_LIMIT': 3,
}
然后,您必须确保爬行器正在到达parse_item
方法(我认为它没有,还没有测试)。此外,您不能在规则上指定回调
和遵循
参数,因为它们不能一起工作
首先删除规则上的follow
,或添加另一个规则,以检查要遵循的链接以及要作为项目返回的链接
其次,在您的parse_item
方法中,您得到了不正确的xpath,要获得所有图像,可能您可以使用以下方法:
images=hxs.xpath('//img')
然后获取图像url:
allimages['image'] = image.xpath('./@src').extract()
就新闻而言,这似乎是可行的:
allnews['news_title']=new.xpath('.//a/text()').extract()
allnews['news_url'] = new.xpath('.//a/@href').extract()
现在,为了理解您的问题,这不是一个
LinkedExtractor复制
错误,而是一个糟糕的规则规范,还要确保您有有效的xpath,因为您的问题没有表明您需要xpath更正。您的代码中有很多错误,它是否不能正常工作?或者根本不运行?至少它能浏览页面。此外,它没有按我所希望的那样运行,因为它遇到了无限循环/无法提取hkejItem类的数据。这个问题太广泛了。试着把这个问题分成三个独立的小问题。当然!我是否应该将此帖子编辑成一个较小的问题,并为剩余的问题创建新帖子?您的意思是“follow”和“callback”不能在规则中一起使用,还是不应与规则一起使用?我读了一些教程,大多数爬行器都有这两个教程。follow
和callback
在同一个规则中协同工作。如果仔细阅读文档,您会发现如果指定callback
,它只会将follow
的默认值修改为False
。不过,您可以像@yukclam9那样覆盖它。感谢@Ghajba的解释。但是,我仍然有一些大问题,比如重复链接和糟糕的结构解析项目。您是否测试了您的代码是否达到了parse\u item
?您是否可以通过测试登录凭据?