我需要从sitemap.xml文件中获取帖子。 sitemap.xml文件指向其他站点地图文件。我的蜘蛛如下,它与主站点地图文件指向的站点地图之一一起正常工作。
class MySpider(SitemapSpider):
name = "example"
allowed_domains = ['www.example.com']
sitemap_urls = ["http://sitemaps.example.com/post-sitemap1.xml"]
sitemap_rules = [('\d{4}/\d{2}/\d{2}/\w+', 'parse_post')]
def parse_post(self, response):
item = PostItem()
item['url'] = response.url
return item
如何让蜘蛛遵循主站点地图文件指向的站点地图文件? 主站点地图文件如下:
<sitemapindex>
<sitemap>
<loc>http://sitemaps.example.com/sitemap_recent.xml</loc>
<lastmod>2014-09-14T02:15:32-04:00</lastmod></sitemap>
<sitemap>
<loc>http://sitemaps.example.com/post-sitemap1.xml</loc>
<lastmod>2014-09-14T02:15:32-04:00</lastmod></sitemap>
</sitemap>
<sitemap>
<loc>http://sitemaps.example.com/post-sitemap2.xml</loc>
<lastmod>2014-02-10T22:50:43-05:00</lastmod>
</sitemap>
</sitemapindex>