Scrapy递归地抓取网页并将内容保存为html文件
我正在使用scrapy提取网页标签中的信息,然后将这些网页保存为HTML文件。例如,本网站有一些与司法案件相关的网页。我想转到每个链接,仅将与特定司法案件相关的内容保存为HTML页。例如,转到此页,然后保存与案件相关的信息Scrapy递归地抓取网页并将内容保存为html文件,scrapy,Scrapy,我正在使用scrapy提取网页标签中的信息,然后将这些网页保存为HTML文件。例如,本网站有一些与司法案件相关的网页。我想转到每个链接,仅将与特定司法案件相关的内容保存为HTML页。例如,转到此页,然后保存与案件相关的信息 是否有一种方法可以在scrapy中递归执行此操作,并将内容保存在HTML页面中是的,您可以使用scrapy执行此操作,这将有助于: from scrapy.contrib.spiders import CrawlSpider, Rule from scrapy.contrib
是否有一种方法可以在scrapy中递归执行此操作,并将内容保存在HTML页面中是的,您可以使用scrapy执行此操作,这将有助于:
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
class AustliiSpider(CrawlSpider):
name = "austlii"
allowed_domains = ["austlii.edu.au"]
start_urls = ["http://www.austlii.edu.au/au/cases/cth/HCA/1945/"]
rules = (
Rule(SgmlLinkExtractor(allow=r"au/cases/cth/HCA/1945/\d+.html"), follow=True, callback='parse_item'),
)
def parse_item(self, response):
hxs = HtmlXPathSelector(response)
# do whatever with html content (response.body variable)
希望有帮助