Question

当我编写parse()函数时，我是否可以同时为一个页面提供请求和项目？

我想在页面A中提取一些数据，然后将数据存储在数据库中，并提取要遵循的链接（这可以通过CrawlSpider中的规则来完成）。

我调用A页面的链接页面是B页面，所以我可以写另一个parse_item（）来从B页面中提取数据，但我想在B页面中提取一些链接，所以我只能使用规则提取链接？如何解决Scrapy中的重复URL？

Answer 1

是的，您可以同时处理请求和项目。来自what I've seen：

def parse(self, response):
    hxs = HtmlXPathSelector(response)
    base_url = response.url
    links = hxs.select(self.toc_xpath)

    for index, link in enumerate(links):
        href, text = link.select('@href').extract(), link.select('text()').extract()
        yield Request(urljoin(base_url, href[0]), callback=self.parse2)

    for item in self.parse2(response):
        yield item

Answer 2

我不是100％我理解你的问题，但是下面的代码使用basespider从起始网址请求网站，然后扫描href的起始网址，然后循环调用 parse_url 的每个链接。 parse_url 中匹配的所有内容都会发送到您的项目管道。

def parse(self, response):
       hxs = HtmlXPathSelector(response)
       urls = hxs.select('//a[contains(@href, "content")]/@href').extract()  ## only grab url with content in url name
       for i in urls:
           yield Request(urlparse.urljoin(response.url, i[1:]),callback=self.parse_url)


def parse_url(self, response):
   hxs = HtmlXPathSelector(response)
   item = ZipgrabberItem()
   item['zip'] = hxs.select("//div[contains(@class,'odd')]/text()").extract() ## this bitch grabs it
   return item

Answer 3

来自谷歌小组的Steven Almeroth的

：

你是对的，你可以提出请求并返回一个项目列表，但这不是你正在尝试的。您试图生成一个项目列表而不是返回它们。既然你已经使用parse（）作为生成器函数，那么就不能同时获得yield和return。但是你可以有很多收益。

试试这个：

def parse(self, response):
    hxs = HtmlXPathSelector(response)
    base_url = response.url
    links = hxs.select(self.toc_xpath)

    for index, link in enumerate(links):
        href, text = link.select('@href').extract(), link.select('text()').extract()
        yield Request(urljoin(base_url, href[0]), callback=self.parse2)

    for item in self.parse2(response):
        yield item

scrapy可以产生请求和项目吗？

3 个答案: