Question

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：＆＃34; / reviews /＆＃34;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＆＃34;评论＆＃34;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()

Answer 1

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

scrapy蜘蛛的多重遗传

1 个答案: