动态start

小编典典

动态start_urls

scrapy

我正在使用scrapy来爬行网站上的多个页面。该变量start_urls用于定义要爬网的页面。我最初将从第一页开始，从而start_urls = [1st page]在文件中进行定义example_spider.py

从第一页获得更多信息后，我将确定要抓取的下一页，然后进行相应分配start_urls。因此，我必须使用更改覆盖example_spider.py之上start_urls = [1st page, 2nd page, ..., Kth page]，然后再次运行scrapy crawl。

这是最好的方法，还是有更好的方法来start_urls使用scrapy API 动态分配而不必覆盖example_splider.py？谢谢。

阅读 742

2020-04-09

共1个答案

小编典典

start_urlsclass属性包含起始网址-仅此而已。如果你要提取其他网页的网址，parse请使用[another]回调从相应的回调请求中获取收益：

class Spider(BaseSpider):

    name = 'my_spider'
    start_urls = [
                'http://www.domain.com/'
    ]
    allowed_domains = ['domain.com']

    def parse(self, response):
        '''Parse main page and extract categories links.'''
        hxs = HtmlXPathSelector(response)
        urls = hxs.select("//*[@id='tSubmenuContent']/a[position()>1]/@href").extract()
        for url in urls:
            url = urlparse.urljoin(response.url, url)
            self.log('Found category url: %s' % url)
            yield Request(url, callback = self.parseCategory)

    def parseCategory(self, response):
        '''Parse category page and extract links of the items.'''
        hxs = HtmlXPathSelector(response)
        links = hxs.select("//*[@id='_list']//td[@class='tListDesc']/a/@href").extract()
        for link in links:
            itemLink = urlparse.urljoin(response.url, link)
            self.log('Found item link: %s' % itemLink, log.DEBUG)
            yield Request(itemLink, callback = self.parseItem)

    def parseItem(self, response):

2020-04-09