Python Scrapy Spider-处理非HTML链接（PDF、PPT等）

我正在学习Scrapy和Python，从一个空白项目开始。我正在使用Scrapy LXMLinkExtractor解析链接，但当遇到非HTML链接/页面（如PDF或其他文档）时，爬行器总是会卡住

问题：如果我只想存储这些URL（我现在不想要文档的内容…），我们通常如何处理这些带有Scrapy的链接

包含文档的示例页面：

这是我的蜘蛛代码：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.lxmlhtml import LxmlLinkExtractor
from super.items import SuperItem
from scrapy.selector import Selector

class mySuper(CrawlSpider):
    name="super"
    #on autorise seulement le crawl du site indiqué dans allowed_domains
    allowed_domains = ['afcorfmc.org']

    #démarrage sur la page d'accueil du site
    start_urls = ['http://afcorfmc.org']

    rules = (Rule (LxmlLinkExtractor(allow=(),deny=(),restrict_xpaths=()), callback="parse_o", follow= True),)

    def parse_o(self,response):
        #récupération des datas récoltées (contenu de la page)
        sel = Selector(response)

        #on prépare item, on va le remplir (souvenez-vous, dans items.py)
        item = SuperItem()

        #on stocke l'url de la page dans le tableau item
        item['url'] = response.url

        #on récupère le titre de la page ( titre ) grâce à un chemin xpath
        #item['titre'] = sel.xpath('//title/text()').extract()

        # on fait passer item à la suite du processus
        yield item

如中所述，

lxmlinkextractor

默认情况下排除带有某些扩展名的链接：请参阅

此扩展列表包括

.pdf

，

.ppt

您可以将

deny_extensions

参数添加到

lxmlinkextractor

实例中，并将其保留为空，例如：

$ scrapy shell http://afcorfmc.org/2009.html
2014-10-27 10:27:02+0100 [scrapy] INFO: Scrapy 0.24.4 started (bot: scrapybot)
...
2014-10-27 10:27:03+0100 [default] DEBUG: Crawled (200) <GET http://afcorfmc.org/2009.html> (referer: None)
[s] Available Scrapy objects:
[s]   crawler    <scrapy.crawler.Crawler object at 0x7f5b1a6f4910>
[s]   item       {}
[s]   request    <GET http://afcorfmc.org/2009.html>
[s]   response   <200 http://afcorfmc.org/2009.html>
[s]   settings   <scrapy.settings.Settings object at 0x7f5b2013f450>
[s]   spider     <Spider 'default' at 0x7f5b19e9bed0>
[s] Useful shortcuts:
[s]   shelp()           Shell help (print this help)
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects
[s]   view(response)    View response in a browser

In [1]: from scrapy.contrib.linkextractors.lxmlhtml import LxmlLinkExtractor

In [2]: lx = LxmlLinkExtractor(allow=(),deny=(),restrict_xpaths=(), deny_extensions=())

In [3]: lx.extract_links(response)
Out[3]: 
[Link(url='http://afcorfmc.org/documents/TOPOS/2009/MARS/ANATOMO_PATHOLOGIE_Dr_Guinebretiere.ppt', text='ANATOMO_PATHOLOGIE_Dr_Guinebretiere.ppt', fragment='', nofollow=False),
 Link(url='http://afcorfmc.org/documents/TOPOS/2009/MARS/CHIMIOTHERAPIE_Dr_Toledano.ppt', text='CHIMIOTHERAPIE_Dr_Toledano.ppt', fragment='', nofollow=False),
 Link(url='http://afcorfmc.org/documents/TOPOS/2009/MARS/CHIRURGIE_Dr_Guglielmina.ppt', text='CHIRURGIE_Dr_Guglielmina.ppt', fragment='', nofollow=False),
 Link(url='http://afcorfmc.org/documents/TOPOS/2009/MARS/CHIRURGIE_Dr_Sebban.ppt', text='CHIRURGIE_Dr_Sebban.ppt', fragment='', nofollow=False),
 Link(url='http://afcorfmc.org/documents/TOPOS/2009/MARS/Cas_clinique_oesophage.ppt', text='Cas_clinique_oesophage.ppt', fragment='', nofollow=False),
 Link(url='http://afcorfmc.org/documents/TOPOS/2009/MARS/IMAGERIE_Dr_Seror.ppt', text='IMAGERIE_Dr_Seror.ppt', fragment='', nofollow=False),
 ...
 Link(url='http://afcorfmc.org/documents/TOPOS/2009/OCTOBRE/VB4_Technique%20monoisocentrique%20dans%20le%20sein%20Vero%20Avignon%202009.pdf', text='VB4_Technique monoisocentrique dans le sein Vero Avignon 2009.pdf', fragment='', nofollow=False)]

In [4]: 

$scrapy shellhttp://afcorfmc.org/2009.html
2014-10-27 10:27:02+0100[scrapy]信息：scrapy 0.24.4已启动（机器人：scrapybot）
...
2014-10-27 10:27:03+0100[默认]调试：爬网（200）（参考：无）
[s] 可用的刮擦对象：
[s] 爬虫
[s] 项目{}
[s] 请求
[s] 回应
[s] 背景
[s] 蜘蛛
[s] 有用的快捷方式：
[s] shelp（）Shell帮助（打印此帮助）
[s] 获取（请求或url）获取请求（或url）并更新本地对象
[s] 查看（响应）在浏览器中查看响应
在[1]中：从scrapy.contrib.linkextractors.lxmlhtml导入lxmlinkextractor
在[2]中：lx=lxmlinkextractor（允许=（），拒绝=（），限制路径=（），拒绝扩展=（））
[3]：lx.提取链接（响应）
出[3]：
[链接（url=]http://afcorfmc.org/documents/TOPOS/2009/MARS/ANATOMO_PATHOLOGIE_Dr_Guinebretiere.ppt，text='ANATOMO_PATHOLOGIE_Dr_Guinebritiere.ppt'，fragment=''，nofollow=False），
链接（url=）http://afcorfmc.org/documents/TOPOS/2009/MARS/CHIMIOTHERAPIE_Dr_Toledano.ppt，text='CHIMIOTHERAPIE_Dr_Toledano.ppt'，fragment=''，nofollow=False），
链接（url=）http://afcorfmc.org/documents/TOPOS/2009/MARS/CHIRURGIE_Dr_Guglielmina.ppt，text='CHIRURGIE_Dr_Guglielmina.ppt'，fragment=''，nofollow=False），
链接（url=）http://afcorfmc.org/documents/TOPOS/2009/MARS/CHIRURGIE_Dr_Sebban.ppt“，text='CHIRURGIE_Dr_Sebban.ppt'，fragment=''，nofollow=False），
链接（url=）http://afcorfmc.org/documents/TOPOS/2009/MARS/Cas_clinique_oesophage.ppt，text='Cas_clinique_oesophage.ppt'，fragment=''，nofollow=False），
链接（url=）http://afcorfmc.org/documents/TOPOS/2009/MARS/IMAGERIE_Dr_Seror.ppt，text='IMAGERIE_Dr_Seror.ppt'，fragment=''，nofollow=False），
...
链接（url=）http://afcorfmc.org/documents/TOPOS/2009/OCTOBRE/VB4_Technique%20monoisocentrique%20dans%20le%20sein%20Vero%20Avignon%202009.pdf“，text='VB4_technology monosocentrique dans le sein Vero Avignon 2009.pdf'，fragment=''，nofollow=False）]
在[4]中：

我没有得到名为'scrapy.contrib'的模块。看来我们现在想要从scrapy.linkextractors.lxmlhtml导入lxmlinkextractor