Question

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from manga.items import MangaItem

class MangaHere(BaseSpider):
    name = "mangah"
    allowed_domains = ["mangahere.com"]
    start_urls = ["http://www.mangahere.com/seinen/"]

    def parse(self,response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select('//ul/li/div')
        items = []
        for site in sites:
            rating = site.select("p/span/text()").extract()
            if rating > 4.5:
                item = MangaItem()
                item["title"] = site.select("div/a/text()").extract()
                item["desc"] = site.select("p[2]/text()").extract()
                item["link"] = site.select("div/a/@href").extract()
                item["rate"] = site.select("p/span/text()").extract()
                items.append(item)

        return items

我的目标是抓取www.mangahere.com/seinen或该网站上的任何内容。我想浏览每一页并收集大于4.5评级的书籍。我最初是作为一个basespider，并尝试复制和阅读scrapy教程，但它几乎是我的头脑。我在这里问我该怎么做才能创建我的规则，以及如何制定规则。我似乎无法让我的条件工作，代码要么只返回第一个项目并停止，无论条件如何，或抓住所有内容，无论条件如何。我知道它可能是相当混乱的代码，但我仍然在努力学习。随意修改代码或提供其他建议

Answer 1

严格地说，由于我的代码使用的是BaseSpider而不是CrawlSpider，因此无法回答这个问题，但它确实满足了OP的要求......

注意事项：

由于所有的分页链接都不可用（你得到前九个，然后是最后两个），我采用了一种有点黑客的方法。使用parse回调中的第一个响应，我搜索一个带有“next”类的链接（只有一个，所以看看它对应哪个链接），然后找到它的前一个兄弟。这使我能够处理seinen类别中的总页数（目前为45）。
接下来，我们为parse_item回调处理的第一页生成一个Request对象。
然后，鉴于我们确定共有45页，我们为“./seinen/2.htm”生成了一系列Request对象，一直到“./seinen/45.htm”。
由于rating是一个列表，并且它的值是浮点数（我应该在条件为4.5的基础上实现），修复遇到的错误的方法是遍历评级列表和将每个项目都变为浮动。

无论如何，看看下面的代码，看看它是否有意义。从理论上讲，您应该能够轻松地扩展此代码以抓取多个类别，尽管这只是OP的练习。：）

from scrapy.spider import BaseSpider
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.http import Request
from tutorial.items import MangaItem
from urlparse import urlparse

class MangaHere(BaseSpider):
    name = "mangah2"
    start_urls = ["http://www.mangahere.com/seinen/"]
    allowed_domains = ["mangahere.com"]

    def parse(self, response):
        # get index depth ie the total number of pages for the category
        hxs = HtmlXPathSelector(response)
        next_link = hxs.select('//a[@class="next"]')
        index_depth = int(next_link.select('preceding-sibling::a[1]/text()').extract()[0])

        # create a request for the first page
        url = urlparse("http://www.mangahere.com/seinen/")
        yield Request(url.geturl(), callback=self.parse_item)

        # create a request for each subsequent page in the form "./seinen/x.htm"
        for x in xrange(2, index_depth):
            pageURL = "http://www.mangahere.com/seinen/%s.htm" % x
            url = urlparse(pageURL)
            yield Request(url.geturl(), callback=self.parse_item)

    def parse_item(self,response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select('//ul/li/div')
        items = []
        for site in sites:
            rating = site.select("p/span/text()").extract()
            for r in rating:
                if float(r) > 4.5:
                    item = MangaItem()
                    item["title"] = site.select("div/a/text()").extract()
                    item["desc"] = site.select("p[2]/text()").extract()
                    item["link"] = site.select("div/a/@href").extract()
                    item["rate"] = site.select("p/span/text()").extract()
                    items.append(item)
        return items

如何使用scrapy为crawlspider创建规则

1 个答案: