3

我正在使用 scrapy 抓取我的网站http://www.cseblog.com

我的蜘蛛如下：

from scrapy.spider import BaseSpider
from bs4 import BeautifulSoup ## This is BeautifulSoup4
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor

from blogscraper.items import BlogArticle ## This is for saving data. Probably insignificant.

class BlogArticleSpider(BaseSpider):
    name = "blogscraper"
    allowed_domains = ["cseblog.com"]
    start_urls = [
        "http://www.cseblog.com/",
    ]

    rules = (
        Rule(SgmlLinkExtractor(allow=('\d+/\d+/*"', ), deny=( ))),
    )

    def parse(self, response):
        site = BeautifulSoup(response.body_as_unicode())
        items = []
        item = BlogArticle()
        item['title'] = site.find("h3" , {"class": "post-title" } ).text.strip()
        item['link'] = site.find("h3" , {"class": "post-title" } ).a.attrs['href']
        item['text'] = site.find("div" , {"class": "post-body" } )
        items.append(item)
        return items

我在哪里指定它需要抓取 http://www.cseblog.com/{d+}/{d+}/{*}.html 和 http://www.cseblog.com/search 类型的所有链接/{*} 递归

但从 http://www.cseblog.com/ {d+}/{d+}/{*}.html保存数据

4

1 回答 1

1

您必须创建两条规则或一条告诉scrapy 以允许这些类型的url。基本上你希望规则列表是这样的

rules = (
        Rule(SgmlLinkExtractor(allow=('http://www.cseblog.com/{d+}/{d+}/{*}.html', ), deny=( )),call_back ='parse_save' ),
        Rule(SgmlLinkExtractor(allow=('http://www.cseblog.com/search/{*}', ), deny=( )),,call_back = 'parse_only' ))

顺便说一句，除非您想覆盖基类中的方法，否则您应该使用爬虫并重命名解析方法名称。

两种链接类型都有不同的回调，实际上，您可以决定要保存哪些已处理的页面数据。而不是有一个单一的回调，并再次对 response.url 进行检查。

于 2013-10-31T15:30:27.660 回答