7

我想知道是否有人曾尝试使用 SgmlLinkExtractor/CrawlSpider 提取/关注 RSS 项目链接。我无法让它工作...

我正在使用以下规则：

   规则 = (
       Rule(SgmlLinkExtractor(tags=('link',), attrs=False),
           跟随=真，
           回调='parse_article'),
       )

（记住 rss 链接位于链接标签中）。

我不确定如何告诉 SgmlLinkExtractor 提取链接的 text() 而不是搜索属性...

欢迎任何帮助，在此先感谢

4

4 回答 4

7

CrawlSpider 规则不是这样工作的。您可能需要继承 BaseSpider 并在您的蜘蛛回调中实现您自己的链接提取。例如：

from scrapy.spider import BaseSpider
from scrapy.http import Request
from scrapy.selector import XmlXPathSelector

class MySpider(BaseSpider):
    name = 'myspider'

    def parse(self, response):
        xxs = XmlXPathSelector(response)
        links = xxs.select("//link/text()").extract()
        return [Request(x, callback=self.parse_link) for x in links]

您还可以在 shell 中尝试 XPath，例如运行：

scrapy shell http://blog.scrapy.org/rss.xml

然后在 shell 中输入：

>>> xxs.select("//link/text()").extract()
[u'http://blog.scrapy.org',
 u'http://blog.scrapy.org/new-bugfix-release-0101',
 u'http://blog.scrapy.org/new-scrapy-blog-and-scrapy-010-release']
于 2010-09-19T20:29:13.113 回答
6

现在有XMLFeedSpider一个可以使用。

于 2013-04-19T12:17:02.617 回答
0

我已经使用 CrawlSpider 完成了它：

class MySpider(CrawlSpider):
   domain_name = "xml.example.com"

   def parse(self, response):
       xxs = XmlXPathSelector(response)
       items = xxs.select('//channel/item')
       for i in items: 
           urli = i.select('link/text()').extract()
           request = Request(url=urli[0], callback=self.parse1)
           yield request

   def parse1(self, response):
       hxs = HtmlXPathSelector(response)
       # ...
       yield(MyItem())

但我不确定这是一个非常合适的解决方案......

于 2010-10-01T21:55:33.630 回答
-2

来自 scrapy doc XMLFeedSpider 的XML 示例

from scrapy.spiders import XMLFeedSpider
from myproject.items import TestItem

class MySpider(XMLFeedSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/feed.xml']
    iterator = 'iternodes'  # This is actually unnecessary, since it's the default value
    itertag = 'item'

    def parse_node(self, response, node):
        self.logger.info('Hi, this is a <%s> node!: %s', self.itertag, ''.join(node.extract()))

        #item = TestItem() 
        item = {} # change to dict for removing the class not found error
        item['id'] = node.xpath('@id').extract()
        item['name'] = node.xpath('name').extract()
        item['description'] = node.xpath('description').extract()
        return item
于 2016-08-15T03:09:49.690 回答