Python 痒痒的爬行蜘蛛不';不要爬过第一个登录页
我是新来的刮痧,我正在进行刮痧练习,我正在使用爬行蜘蛛。 虽然Scrapy框架工作得很好,并且遵循相关链接,但我似乎无法让爬行蜘蛛抓取第一个链接(主页/登录页)。相反,它直接去刮取规则确定的链接,但不刮取链接所在的登录页。我不知道如何解决这个问题,因为不建议覆盖爬行器的解析方法。修改follow=True/False也不会产生任何好的结果。以下是代码片段:Python 痒痒的爬行蜘蛛不';不要爬过第一个登录页,python,scrapy,web-crawler,Python,Scrapy,Web Crawler,我是新来的刮痧,我正在进行刮痧练习,我正在使用爬行蜘蛛。 虽然Scrapy框架工作得很好,并且遵循相关链接,但我似乎无法让爬行蜘蛛抓取第一个链接(主页/登录页)。相反,它直接去刮取规则确定的链接,但不刮取链接所在的登录页。我不知道如何解决这个问题,因为不建议覆盖爬行器的解析方法。修改follow=True/False也不会产生任何好的结果。以下是代码片段: class DownloadSpider(CrawlSpider): name = 'downloader' allowed
class DownloadSpider(CrawlSpider):
name = 'downloader'
allowed_domains = ['bnt-chemicals.de']
start_urls = [
"http://www.bnt-chemicals.de"
]
rules = (
Rule(SgmlLinkExtractor(aloow='prod'), callback='parse_item', follow=True),
)
fname = 1
def parse_item(self, response):
open(str(self.fname)+ '.txt', 'a').write(response.url)
open(str(self.fname)+ '.txt', 'a').write(','+ str(response.meta['depth']))
open(str(self.fname)+ '.txt', 'a').write('\n')
open(str(self.fname)+ '.txt', 'a').write(response.body)
open(str(self.fname)+ '.txt', 'a').write('\n')
self.fname = self.fname + 1
有很多方法可以做到这一点,但最简单的方法之一是实现
解析\u start\u url
,然后修改start\u url
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
class DownloadSpider(CrawlSpider):
name = 'downloader'
allowed_domains = ['bnt-chemicals.de']
start_urls = ["http://www.bnt-chemicals.de/tunnel/index.htm"]
rules = (
Rule(SgmlLinkExtractor(allow='prod'), callback='parse_item', follow=True),
)
fname = 1
def parse_start_url(self, response):
return self.parse_item(response)
def parse_item(self, response):
open(str(self.fname)+ '.txt', 'a').write(response.url)
open(str(self.fname)+ '.txt', 'a').write(','+ str(response.meta['depth']))
open(str(self.fname)+ '.txt', 'a').write('\n')
open(str(self.fname)+ '.txt', 'a').write(response.body)
open(str(self.fname)+ '.txt', 'a').write('\n')
self.fname = self.fname + 1
只需将回调更改为
parse_start_url
,并覆盖它:
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
class DownloadSpider(CrawlSpider):
name = 'downloader'
allowed_domains = ['bnt-chemicals.de']
start_urls = [
"http://www.bnt-chemicals.de",
]
rules = (
Rule(SgmlLinkExtractor(allow='prod'), callback='parse_start_url', follow=True),
)
fname = 0
def parse_start_url(self, response):
self.fname += 1
fname = '%s.txt' % self.fname
with open(fname, 'w') as f:
f.write('%s, %s\n' % (response.url, response.meta.get('depth', 0)))
f.write('%s\n' % response.body)
谢谢这解决了问题。如果不回调parse\u start\u url,它是否仍然有效?如果是,什么时候调用parse_start_url?@JasonYouk
parse_start_url
是爬行蜘蛛中的一个抽象/虚拟方法。这里它被覆盖了,是的。这把它修好了。谢谢您拼错了allow
参数