首页 > 代码库 > scrapy采集列表页的另一种方式
scrapy采集列表页的另一种方式
又是采集绿色下载站的最新软件,又是采用另一种方式(前两种是采用正则和xpath),呵呵
感觉有点像孔乙已的茴字有几种写法了
这回用CrawlSpider,Rule来配合采集
这次不用生成许多start_urls列表项了,可以按规则来自动读取,贴核心代码
# -*- coding: utf-8 -*- from scrapy.contrib.spiders import CrawlSpider,Rule from scrapy.selector import Selector from scrapy.http import Request from scrapy.contrib.linkextractors import LinkExtractor class MySpider(CrawlSpider): name = "downg" allowed_domains = ["downg.com"] start_urls = [ ‘http://www.downg.com/new/0_1.html‘ ] rules = [ Rule(LinkExtractor(allow=(‘/new/0_\d\.html‘), restrict_xpaths=(‘//div[@class="pages"]‘)), callback=‘parse_pages‘, follow=True) ] def parse_pages(self, response): sel=Selector(response) urlsReqs=[] urls_list=sel.xpath(‘//span[@class="app-name"]/a/@href‘).extract() print len(urls_list),urls_list for url in urls_list: req=Request(url,self.getDetail) urlsReqs.append(req) return urlsReqs def getDetail(self,response): print response.url
关键点解析:
LinkExtractor的allow定位列表页所匹配的正则
LinkExtractor的restrict_xpaths是定位列表页所在的xpath路径,当然,本案例中其实也可以不写
LinkExtractor的callback指定回调函数,注意,这里函数名不能用parse这个私有函数,不然跑起来会有问题
(来源,scrapy官方文档:
当编写爬虫规则时,请避免使用 parse 作为回调函数。 由于 CrawlSpider 使用 parse 方法来实现其逻辑,如果 您覆盖了 parse 方法,crawl spider 将会运行失败。
)
LinkExtractor的follow 是一个布尔(boolean)值,指定了根据该规则从response提取的链接是否需要跟进。 如果 callback 为None, follow 默认设置为 True ,否则默认为 False。本案例中用哪个值没有影响。
参考文章
http://blog.csdn.net/u012150179/article/details/34913315
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。