是否可以创建一个继承两个基本蜘蛛功能的蜘蛛,即SitemapSpider和CrawlSpider?
我一直在尝试从各个网站抓取数据,并意识到并非所有网站都列出了网站上的每个网页,因此需要使用CrawlSpider。但是CrawlSpider经历了很多垃圾页面并且有点过分。
我想做的是这样的事情:
启动我的Spider,它是SitemapSpider的子类并传递正则表达式 匹配对parse_products的响应以提取有用的 信息方法。
转到与产品页面匹配的正则表达式:/ reviews /的链接, 并将数据发送到parse_review函数 注意:" / reviews /"类型页面未在站点地图中列出
从/ reviews / page
CrawlSpider主要用于递归抓取和抓取
-------附加细节-------
有问题的网站是www.flipkart.com 该网站列出了很多产品,每个页面都有自己的详细信息页面。 与详细信息页面一起,它们是相应的"评论"产品页面。审核页面的链接也可在产品详细信息页面上找到。
注意:网站地图上未列出评论页面。
class WebCrawler(SitemapSpider, CrawlSpider):
name = "flipkart"
allowed_domains = ['flipkart.com']
sitemap_urls = ['http://www.flipkart.com/robots.txt']
sitemap_rules = [(regex('/(.*?)/p/(.*?)'), 'parse_product')]
start_urls = ['http://www.flipkart.com/']
rules = [Rule(LinkExtractor(allow=['/(.*?)/product-reviews/(.*?)']), 'parse_reviews'),
Rule(LinkExtractor(restrict_xpaths='//div[@class="fk-navigation fk-text-center tmargin10"]'), follow=True)]
def parse_product(self, response):
loader = FlipkartItemLoader(response=response)
loader.add_value('pid', 'value of pid')
loader.add_xpath('name', 'xpath to name')
yield loader.load_item()
def parse_reviews(self, response):
loader = ReviewItemLoader(response=response)
loader.add_value('pid','value of pid')
loader.add_xpath('review_title', 'xpath to review title')
loader.add_xpath('review_text', 'xpath to review text')
yield loader.load_item()
答案 0 :(得分:2)
你走在正确的轨道上,唯一剩下的就是parse_product
功能的结尾,你必须得到爬虫提取的所有网址
def parse_product(self, response):
loader = FlipkartItemLoader(response=response)
loader.add_value('pid', 'value of pid')
loader.add_xpath('name', 'xpath to name')
yield loader.load_item()
# CrawlSpider defines this method to return all scraped urls.
yield from self.parse(response)
如果您没有yield from
语法,请使用
for req in self.parse(response):
yield req