我通过扩展CrawlSpider创建了蜘蛛。
当Spider运行并找到文章页面时,我想获得一个指向作者个人资料的链接,并向个人资料页面发出请求,并使用parse_author对其进行解析,但是由于某种原因,此parse_author回调从未执行。
我的代码:
import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from scrapy.http.request import Request
class CityamSpider4(CrawlSpider):
name = "city_am_v4"
custom_settings = {
'CONCURRENT_REQUESTS': '1',
}
allowed_domains = ['cityam.com']
start_urls = [
'http://www.cityam.com',
]
rules = (
Rule(LinkExtractor(deny=('dev2.cityam.com', 'sponsored-content', )), callback='parse_item'),
)
def parse_item(self, response):
# parse article page
article_title = response.css('.article-headline h1::text').extract_first(default='null').strip()
if article_title is not 'null':
print 'Article url : ' + response.url
author_url = response.css('.author-container .author-text a.author-name::attr(href)').extract_first(default='null').strip()
print 'Author link: ' + author_url
author_url = response.urljoin(author_url)
print 'Author link: ' + author_url
yield Request(author_url, callback=self.parse_author)
def parse_author(self, response):
# parse author page
author_name = response.css(".cam-profile-header-title::text").extract_first(default='null').strip()
print 'Author name: ' + author_name
yield {
'name': author_name,
}
答案 0 :(得分:0)
问题在于您的链接提取规则也与作者链接匹配,并且Scrapy默认情况下会丢弃重复的请求,因此您的parse_item
方法是在parse_author
中接收期望的响应的方法。
可能的解决方案包括:
修改您的LinkExtractor
,使其不匹配作者的URL。
将您的作者分析逻辑从parse_author
移至parse_item
。
将dont_filter=True
添加到Request
,以便即使您所产生的那些请求是链接提取程序发现的请求的重复,也不会被滤除。
答案 1 :(得分:-1)
您在网站页面上使用了错误的端口:
您的行yield Request(url=author_url, callback=self.parse_author)
引用(例如) http ://www.cityam.com/profile/joseph.ray(在端口80上)。
您必须通过HTTPS使用请求: https ://www.cityam.com/profile/joseph.ray 然后程序将继续执行方法 parse_author 。
更改您的请求URL,每个人都会很高兴。 顺便说一句,我认为编写这样的代码是一种不好的做法:
print 'Article url : ' + response.url
(某些编译器不会理解这一点,并且会出现错误。)
必须为: print("Article url : " + response.url)