6

我正在尝试使用 Scrapy 收集域下的所有 URL。我试图使用 CrawlSpider 从主页开始抓取他们的网页。对于每个页面,我想使用 Xpath 来提取所有的 href。并以键值对等格式存储数据。

Key:当前Url Value:本页所有链接。

class MySpider(CrawlSpider):
    name = 'abc.com'
    allowed_domains = ['abc.com']
    start_urls = ['http://www.abc.com']

    rules = (Rule(SgmlLinkExtractor()), )
    def parse_item(self, response):
        hxs = HtmlXPathSelector(response)
        item = AbcItem()
        item['key'] = response.url 
        item['value'] = hxs.select('//a/@href').extract()
        return item 

我定义我的 AbcItem() 如下所示:

从 scrapy.item 导入项目、字段

class AbcItem(Item):

    # key: url
    # value: list of links existing in the key url
    key = Field()
    value = Field()
    pass

当我像这样运行我的代码时:

nohup scrapy crawl abc.com -o output -t csv &

机器人似乎开始爬行,我可以看到所有配置日志都填充了 nohup.out 文件,但我的输出文件中没有任何信息..这是我想要收集的,有人可以帮我吗?我的机器人可能有什么问题?

4

2 回答 2

4

您应该已经为规则定义了回调。twitter.com这是从主页 ( )获取所有链接的示例follow=False

from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.item import Item, Field


class MyItem(Item):
    url= Field()


class MySpider(CrawlSpider):
    name = 'twitter.com'
    allowed_domains = ['twitter.com']
    start_urls = ['http://www.twitter.com']

    rules = (Rule(SgmlLinkExtractor(), callback='parse_url', follow=False), )

    def parse_url(self, response):
        item = MyItem()
        item['url'] = response.url
        return item

然后,在输出文件中,我看到:

http://status.twitter.com/
https://twitter.com/
http://support.twitter.com/forums/26810/entries/78525
http://support.twitter.com/articles/14226-how-to-find-your-twitter-short-code-or-long-code
...

希望有帮助。

于 2013-09-19T19:35:07.193 回答
-1

如果不显式设置回调函数,scrapy 将使用该方法parse处理爬取的页面。所以,你应该添加 parse_item 作为回调,或者改变它的名字来解析。

于 2014-02-24T06:41:36.847 回答