Question

我正在尝试使用scrapy解析sitemap.xml个文件，站点地图文件就像下面那个只有url个节点的文件。

<?xml version="1.0" encoding="UTF-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"
        xmlns:video="http://www.sitemaps.org/schemas/sitemap-video/1.1">
    <url>
        <loc>
            http://www.site.com/page.html
        </loc>
        <video:video>
            <video:thumbnail_loc>
                http://www.site.com/thumb.jpg
            </video:thumbnail_loc>
            <video:content_loc>http://www.example.com/video123.flv</video:content_loc>
            <video:player_loc allow_embed="yes" autoplay="ap=1">
                http://www.example.com/videoplayer.swf?video=123
            </video:player_loc>
            <video:title>here is the page title</video:title>
            <video:description>and an awesome description</video:description>
            <video:duration>302</video:duration>
            <video:publication_date>2011-02-24T02:03:43+02:00</video:publication_date>
            <video:tag>w00t</video:tag>
            <video:tag>awesome</video:tag>
            <video:tag>omgwtfbbq</video:tag>
            <video:tag>kthxby</video:tag>
        </video:video>
    </url>
</urlset>

我查看了相关的scrapy's documentation，然后我编写了以下片段，看看我是否采取了正确的方式（而且似乎我没有^^）：

class SitemapSpider(XMLFeedSpider):
    name = "sitemap"
    namespaces = [
        ('', 'http://www.sitemaps.org/schemas/sitemap/0.9'),
        ('video', 'http://www.sitemaps.org/schemas/sitemap-video/1.1'),
    ]
    start_urls = ["http://example.com/sitemap.xml"]
    itertag = 'url'

    def parse_node(self, response, node):
        print "Parsing: %s" % str(node)

但是当我运行蜘蛛时，我收到了这个错误：

File "/.../python2.7/site-packages/scrapy/utils/iterators.py", line 32, in xmliter
    yield XmlXPathSelector(text=nodetext).select('//' + nodename)[0]
    exceptions.IndexError: list index out of range

我认为我没有正确定义“默认”命名空间（http://www.sitemaps.org/schemas/sitemap/0.9），但我找不到如何执行此操作。

迭代url个节点然后能够从其子节点中提取所需的信息的正确方法是什么？

解答：

不幸的是，我无法使用XMLFeedSpider（这应该是用scrapy解析XML的方法），但是由于simplebias的答案，我已经能够一种实现这种“老派方式”的方法。我想出了以下代码（这次是有效的！）：

class SitemapSpider(BaseSpider):
    name = 'sitemap'
    namespaces = {
        'sitemap': 'http://www.sitemaps.org/schemas/sitemap/0.9',
        'video': 'http://www.sitemaps.org/schemas/sitemap-video/1.1',
    }

    def parse(self, response):
        xxs = XmlXPathSelector(response)
        for namespace, schema in self.namespaces.iteritems():
            xxs.register_namespace(namespace, schema)
        for urlnode in xxs.select('//sitemap:url'):
            extract_datas_here()

Answer 1

Scrapy在底层使用 lxml / libxml2 ，最终调用node.xpath()方法来执行选择。 xpath表达式中任何名称空间的元素都必须加前缀，并且必须传递一个映射来告诉选择器每个前缀解析的命名空间。

这是一个示例，用于说明在使用node.xpath()方法时如何将前缀映射到名称空间：

doc = '<root xmlns="chaos"><bar /></root>'
tree = lxml.etree.fromstring(doc)
tree.xpath('//bar')
[]
tree.xpath('//x:bar', namespaces={'x': 'chaos'})
[<Element {chaos}bar at 7fa40f9c50a8>]

如果没有使用这个scrapy XMLFeedSpider类，我猜你的命名空间映射和itertag需要遵循相同的方案：

class SitemapSpider(XMLFeedSpider):
    namespaces = [
        ('sm', 'http://www.sitemaps.org/schemas/sitemap/0.9'),
        ]
     itertag = 'sm:url'

Answer 2

我发现hxs和xxs之间的区别很有帮助。我发现很难找到xxs对象。我试图用这个

x = XmlXPathSelector(response)

当这些对我需要的东西更好的时候。

hxs.select('//p/text()').extract()

或

xxs.select('//title/text()').extract()

如何使用scrapy的XmlFeedSpider解析sitemap.xml文件？

2 个答案: