使用Scrapy从两级sitemap.xml获取链接

时间:2014-09-14 03:13:46

标签: python scrapy sitemap scrapy-spider

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>

0 个答案:

没有答案