Web 如何使用Scrapy抓取网站所有页面上的链接

我正在学习scrapy，并试图提取包含以下内容的所有链接：，例如：

http://lattes.cnpq.br/0281123427918302

但我不知道网站上包含这些信息的页面是什么。 例如，本网站：

http://www.ppgcc.ufv.br/

我想要的链接在此页面上：

http://www.ppgcc.ufv.br/?page_id=697

我能做什么？ 我试图使用规则，但我不知道如何正确使用正则表达式。 多谢各位

1编辑---- 我需要在主（ppgcc.ufv.br）站点的所有页面上搜索链接类型

(http://lattes.cnpq.br/asequenceofnumber)

。我的目标是获取所有链接lattes.cnpq.br/number，但我不知道它们在哪里。我使用了一个简单的代码，实际上就像：

class ExampleSpider(scrapy.Spider):
    name = "example"
    allowed_domains = ["ppgcc.ufv.br"]
    start_urls = (
        'http://www.ppgcc.ufv.br/',
    )
    rules = [Rule(SgmlLinkExtractor(allow=[r'.*']), follow=True),
             Rule(SgmlLinkExtractor(allow=[r'@href']), callback='parse')]

    def parse(self, response):
        filename = str(random.randint(1, 9999))
        open(filename, 'wb').write(response.body)

#I'm trying to understand how to use rules correctly

2编辑---- 使用：

class ExampleSpider(CrawlSpider):
    name = "example"
    allowed_domains = [".ppgcc.ufv.br"]
    start_urls = (
        'http://www.ppgcc.ufv.br/',
    )
    rules = [Rule(SgmlLinkExtractor(allow=[r'.*']), follow=True),
            Rule(SgmlLinkExtractor(allow=[r'@href']), callback='parse_links')]
    def parse_links(self, response):
        filename = "Lattes.txt"
        arquivo = open(filename, 'wb')
        extractor = LinkExtractor(allow=r'lattes\.cnpq\.br/\d+')
        for link in extractor.extract_links(response):
            url = link.urlextractor = LinkExtractor(allow=r'lattes\.cnpq\.br/\d+')
            arquivo.writelines("%s\n" % url)                
            print url

它告诉我：

C:\Python27\Scripts\tutorial3>scrapy crawl example
2015-06-02 08:08:18-0300 [scrapy] INFO: Scrapy 0.24.6 started (bot: tutorial3)
2015-06-02 08:08:18-0300 [scrapy] INFO: Optional features available: ssl, http11
2015-06-02 08:08:18-0300 [scrapy] INFO: Overridden settings: {'NEWSPIDER_MODULE': 'tutorial3.spiders', 'SPIDER_MODULES': ['tutorial3
.spiders'], 'BOT_NAME': 'tutorial3'}
2015-06-02 08:08:19-0300 [scrapy] INFO: Enabled extensions: LogStats, TelnetConsole, CloseSpider, WebService, CoreStats, SpiderState

2015-06-02 08:08:19-0300 [scrapy] INFO: Enabled downloader middlewares: HttpAuthMiddleware, DownloadTimeoutMiddleware, UserAgentMidd
leware, RetryMiddleware, DefaultHeadersMiddleware, MetaRefreshMiddleware, HttpCompressionMiddleware, RedirectMiddleware, CookiesMidd
leware, ChunkedTransferMiddleware, DownloaderStats
2015-06-02 08:08:19-0300 [scrapy] INFO: Enabled spider middlewares: HttpErrorMiddleware, OffsiteMiddleware, RefererMiddleware, UrlLe
ngthMiddleware, DepthMiddleware
2015-06-02 08:08:19-0300 [scrapy] INFO: Enabled item pipelines:
2015-06-02 08:08:19-0300 [example] INFO: Spider opened
2015-06-02 08:08:19-0300 [example] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2015-06-02 08:08:19-0300 [scrapy] DEBUG: Telnet console listening on 127.0.0.1:6023
2015-06-02 08:08:19-0300 [scrapy] DEBUG: Web service listening on 127.0.0.1:6080
2015-06-02 08:08:19-0300 [example] DEBUG: Crawled (200) <GET http://www.ppgcc.ufv.br/> (referer: None)
2015-06-02 08:08:19-0300 [example] DEBUG: Filtered offsite request to 'www.cgu.gov.br': <GET http://www.cgu.gov.br/acessoainformacao
gov/>
2015-06-02 08:08:19-0300 [example] DEBUG: Filtered offsite request to 'www.brasil.gov.br': <GET http://www.brasil.gov.br/>
2015-06-02 08:08:19-0300 [example] DEBUG: Filtered offsite request to 'www.ppgcc.ufv.br': <GET http://www.ppgcc.ufv.br/>
2015-06-02 08:08:19-0300 [example] DEBUG: Filtered offsite request to 'www.ufv.br': <GET http://www.ufv.br/>
2015-06-02 08:08:19-0300 [example] DEBUG: Filtered offsite request to 'www.dpi.ufv.br': <GET http://www.dpi.ufv.br/>
2015-06-02 08:08:19-0300 [example] DEBUG: Filtered offsite request to 'www.portal.ufv.br': <GET http://www.portal.ufv.br/?page_id=84
>
2015-06-02 08:08:19-0300 [example] DEBUG: Filtered offsite request to 'www.wordpress.org': <GET http://www.wordpress.org/>
2015-06-02 08:08:19-0300 [example] INFO: Closing spider (finished)
2015-06-02 08:08:19-0300 [example] INFO: Dumping Scrapy stats:
        {'downloader/request_bytes': 215,
         'downloader/request_count': 1,
         'downloader/request_method_count/GET': 1,
         'downloader/response_bytes': 18296,
         'downloader/response_count': 1,
         'downloader/response_status_count/200': 1,
         'finish_reason': 'finished',
         'finish_time': datetime.datetime(2015, 6, 2, 11, 8, 19, 912000),
         'log_count/DEBUG': 10,
         'log_count/INFO': 7,
         'offsite/domains': 7,
         'offsite/filtered': 42,
         'request_depth_max': 1,
         'response_received_count': 1,
         'scheduler/dequeued': 1,
         'scheduler/dequeued/memory': 1,
         'scheduler/enqueued': 1,
         'scheduler/enqueued/memory': 1,
         'start_time': datetime.datetime(2015, 6, 2, 11, 8, 19, 528000)}
2015-06-02 08:08:19-0300 [example] INFO: Spider closed (finished)

C:\Python27\Scripts\tutorial3>scrapy爬网示例
2015-06-02 08:08:18-0300[scrapy]信息：scrapy 0.24.6已启动（机器人程序：教程3）
2015-06-02 08:08:18-0300[scrapy]信息：可选功能可用：ssl、http11
2015-06-02 08:08:18-0300[scrapy]信息：覆盖的设置：{'NEWSPIDER_模块'：'tutorial3.SPIDER'，'SPIDER_模块'：['tutorial3
.spider']，'BOT_NAME'：'tutorial3'}
2015-06-02 08:08:19-0300[scrapy]信息：启用的扩展：LogStats、TelnetConsole、CloseSpider、WebService、CoreStats、SpiderState
2015-06-02 08:08:19-0300[scrapy]信息：启用的下载程序中间件：HttpAuthMiddleware、DownloadTimeoutMiddleware、UserAgentMidd
leware、RetryMiddleware、DefaultHeadersMiddleware、MetaRefreshMiddleware、HttpCompressionMiddleware、RedirectMiddleware、CookiesMiddle
leware、ChunkedTransfermiddle软件、DownloaderStats
2015-06-02 08:08:19-0300[scrapy]信息：启用的蜘蛛中间件：HttpErrorMiddleware、OffsiteMiddleware、RefererMiddleware、UrlLe
数据中间件，DepthMiddleware
2015-06-02 08:08:19-0300[scrapy]信息：启用的项目管道：
2015-06-02 08:08:19-0300[示例]信息：蜘蛛网已打开
2015-06-02 08:08:19-0300[示例]信息：抓取0页（以0页/分钟的速度），刮取0项（以0项/分钟的速度）
2015-06-02 08:08:19-0300[scrapy]调试：Telnet控制台监听127.0.0.1:6023
2015-06-02 08:08:19-0300[scrapy]调试：在127.0.0.1:6080上侦听Web服务
2015-06-02 08:08:19-0300[示例]调试：爬网（200）（参考：无）
2015-06-02 08:08:19-0300[示例]调试：过滤到“www.cgu.gov.br”的场外请求：
2015-06-02 08:08:19-0300[示例]调试：过滤到“www.brasil.gov.br”的场外请求：
2015-06-02 08:08:19-0300[示例]调试：过滤到“www.ppgcc.ufv.br”的场外请求：
2015-06-02 08:08:19-0300[示例]调试：过滤到“www.ufv.br”的场外请求：
2015-06-02 08:08:19-0300[示例]调试：过滤到“www.dpi.ufv.br”的场外请求：
2015-06-02 08:08:19-0300[示例]调试：过滤到“www.portal.ufv.br”的场外请求：
2015-06-02 08:08:19-0300[示例]调试：过滤到“www.wordpress.org”的场外请求：
2015-06-02 08:08:19-0300[示例]信息：闭合十字轴（已完成）
2015-06-02 08:08:19-0300[示例]信息：倾倒碎屑统计数据：
{'downloader/request_bytes'：215，
“下载程序/请求计数”：1，
“downloader/request\u method\u count/GET”：1，
“downloader/response_字节”：18296，
“下载程序/响应计数”：1，
“下载程序/响应状态\计数/200”：1，
“完成原因”：“完成”，
“完成时间”：datetime.datetime（2015,6,2,11,8,19,912000），
“日志计数/调试”：10，
“日志计数/信息”：7，
“异地/域”：7，
“场外/过滤”：42，
“请求深度最大值”：1，
“响应\u已接收\u计数”：1，
“调度程序/出列”：1，
“调度程序/出列/内存”：1，
“调度程序/排队”：1，
“调度程序/排队/内存”：1，
“开始时间”：datetime.datetime（2015,6,2,11,8,19,528000）}
2015-06-02 08:08:19-0300[示例]信息：十字轴已关闭（已完成）

---

我在查看网站的源代码，有更多的网页链接是爬网无法获取的，可能是我的规则不正确，所以，首先有几件事：

1）

rules

属性仅在扩展

CrawlSpider

类时有效，如果扩展更简单的

scrapy.Spider

，它们将不起作用

2） 如果您使用

规则

和

爬行器

路径，则不应覆盖默认的

解析

回调，因为默认实现实际上调用规则——因此您希望为回调使用另一个名称

3） 要实际提取所需的链接，可以在回调中使用一个函数从页面中刮取链接：

from scrapy.contrib.linkextractors import LinkExtractor

class MySpider(scrapy.Spider):
    ...

    def parse_links(self, response):
        extractor = LinkExtractor(allow=r'lattes\.cnpq\.br/\d+')
        for link in extractor.extract_links(response):
            item = LattesItem()
            item['url'] = link.url

---

我希望它能有所帮助。

您想提取这些链接还是要跟踪这些链接？根据您的需要，您需要以不同的方式进行处理。此外，如果您知道您想要的所有链接都在页面

http://www.ppgcc.ufv.br/?page_id=697

，您可以在

开始URL

中使用它。如果您粘贴代码，我们可能会帮助您更轻松。colega vi que vcébr，então fica mais facil de nos comunicarmos。。。。您的网站是否有最终的处理流程？学校所在地为梅斯莫·帕德劳大学，在该校的历史上一直保持着领先地位。cnpq.br/numeros que eu encontral dentro de qualquer pagina do siteoi，Bruno！：）听着，在这里用葡萄牙语写作是不礼貌的（内容应该对其他人也有帮助）。你可以用葡萄牙语用葡萄牙语问这个问题：我很接近，但再看看版本，也许我的规则是incorrect@BrunoCarazato我相信您只需要一条规则就可以了：

规则（SgmlLinkExtractor（allow=[r'.*'）、callback='parse_links'，follow=True）

@BrunoCarazato这告诉Scrapy：“只需跟踪域中的每个链接，为其调用parse_链接，并始终应用此规则即可