使用不同的刮刀刮取链接

时间:2013-09-16 08:22:22

标签: python scrapy

我正在使用Scrapy抓取一个网页。我写了我的蜘蛛它工作得很好,它在页面上抓取一个项目列表(让我们称之为主页面)。 在主页面中,我认为每个项目都有一个链接,指向详细项目页面(让我们这样称呼),其中找到有关每个项目的详细信息。

现在我也想抓住细节页面,但蜘蛛会有所不同,在不同的地方可以找到不同的信息。是否有可能告诉scrapy在特定的地方寻找链接,然后刮掉与我要定义的另一个蜘蛛链接的页面?

我希望我的解释足够明确。感谢

3 个答案:

答案 0 :(得分:0)

您可以使用BeautifulSoup定义要刮去的位置。我曾尝试使用BeautifulSoup编写一个蜘蛛程序,该程序指定您将与Urllib一起查找哪个部分。我认为这对你来说是一个有用的link。我基于此写了自己的。希望它可以帮助

答案 1 :(得分:0)

首先识别模式,然后为每个模式编写刮刀,然后根据您追踪的链接使用相关的刮刀功能。

答案 2 :(得分:0)

详细说明我之前的评论,这是一个有2个回调的示例蜘蛛:

  • parse()将包含您对“主”页面已有的逻辑,从主页面产生项目,并且还为每个项目产生详细信息页面的获取请求
  • parse_detail_page()与其他选择器有不同的抓取逻辑, 并产生另一类物品

from scrapy.selector import HtmlXPathSelector
from scrapy.spider import BaseSpider
from scrapy.http import Request
#import urlparse

# items are usually defined in yourproject.items.py
# from yourproject.items import BasicPageItem, DetailPageItem
# I'm defining them here only to illustrate
from scrapy.item import Item

class MainPageItem(Item):
    url = Field()
    name = Field()
    description = Field()

class DetailPageItem(Item):
    url = Field()
    title = Field()
    long_description = Field()
    image = Field()

class MySpider(BaseSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = [
        'http://www.example.com/1.html',
    ]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)

        for i in hxs.select('//selector/for/items').extract():
            item = MainPageItem()
            #item["url"] = item_url
            #item["name"] = item_page
            #item["description"] = item_description
            yield item

            # each item on Main page has a link
            # so yield a Request for each one
            # and tell Scrapy to parse it within another callback
            #item_url = urlparse.urljoin(response.url, item_url)
            yield Request(item_url, callback=self.parse_detail_page)

    def parse_detail_page(self, response):
        hxs = HtmlXPathSelector(response)

        item = DetailPageItem()
        item["url"] = response.url
        #item["title"] = title
        #item["long_description"] = long_description
        #item["image"] = image
        yield item