📜  Scrapy-后续链接

📅  最后修改于: 2020-10-31 14:39:25             🧑  作者: Mango


描述

在本章中,我们将研究如何提取我们感兴趣的页面的链接,跟踪它们并从该页面提取数据。为此,我们需要在之前的代码中进行以下更改,如下所示:

import scrapy
from tutorial.items import DmozItem

class MyprojectSpider(scrapy.Spider):
   name = "project"
   allowed_domains = ["dmoz.org"]
   
   start_urls = [
      "http://www.dmoz.org/Computers/Programming/Languages/Python/",
   ]
   def parse(self, response):
      for href in response.css("ul.directory.dir-col > li > a::attr('href')"):
         url = response.urljoin(href.extract())
            yield scrapy.Request(url, callback = self.parse_dir_contents)

   def parse_dir_contents(self, response):
      for sel in response.xpath('//ul/li'):
         item = DmozItem()
         item['title'] = sel.xpath('a/text()').extract()
         item['link'] = sel.xpath('a/@href').extract()
         item['desc'] = sel.xpath('text()').extract()
         yield item

上面的代码包含以下方法-

  • parse() -它将提取我们感兴趣的链接。

  • response.urljoin -parse()方法将使用此方法构建新的URL并提供新的请求,该请求稍后将发送至回调。

  • parse_dir_contents() -这是一个实际上将抓取感兴趣数据的回调。

在这里,Scrapy使用回调机制来跟踪链接。使用此机制,可以设计较大的搜寻器,并且可以按照感兴趣的链接从不同页面抓取所需数据。常规方法将是回调方法,该方法将提取项目,寻找下一页的链接,然后提供相同回调的请求。

以下示例产生一个循环,该循环将跟踪到下一页的链接。

def parse_articles_follow_next_page(self, response):
   for article in response.xpath("//article"):
      item = ArticleItem()
    
      ... extract article data here

      yield item

   next_page = response.css("ul.navigation > li.next-page > a::attr('href')")
   if next_page:
      url = response.urljoin(next_page[0].extract())
      yield scrapy.Request(url, self.parse_articles_follow_next_page)