Question

我一直在学习如何使用scrapy，尽管我在python中的经验很少。我开始学习如何使用BaseSpider进行刮擦。现在我正在尝试抓取网站，但我遇到了一个让我困扰的问题。以下是http://doc.scrapy.org/topics/spiders.html官方网站的示例代码。

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.item import Item

class MySpider(CrawlSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com']

    rules = (
        # Extract links matching 'category.php' (but not matching 'subsection.php')
        # and follow links from them (since no callback means follow=True by     default).
        Rule(SgmlLinkExtractor(allow=('category\.php', ), deny=('subsection\.php',     ))),

        # Extract links matching 'item.php' and parse them with the spider's method     parse_item
        Rule(SgmlLinkExtractor(allow=('item\.php', )), callback='parse_item'),)

    def parse_item(self, response):
        print "WHY WONT YOU WORK!!!!!!!!"
        self.log('Hi, this is an item page! %s' % response.url)

        hxs = HtmlXPathSelector(response)
        item = TestItem()
        item['id'] = hxs.select('//td[@id="item_id"]/text()').re(r'ID: (\d+)')
        item['name'] = hxs.select('//td[@id="item_name"]/text()').extract()
        item['description'] =     hxs.select('//td[@id="item_description"]/text()').extract()
        return item

我做的唯一改变是声明：

print "WHY WONT YOU WORK!!!!!!!!"

但是因为我没有在运行时看到这个print语句，所以我担心没有达到这个功能。这是我直接从官方scrapy网站上获取的代码。我做错了什么或误解了什么？

Answer 1

start_urls = ['http://www.example.com']

example.com没有任何类别或项目的链接。这只是一个抓取网站网址的示例。

这是文档中的一个非工作示例。

Answer 2

您可以尝试制作一个您知道可行的蜘蛛，并查看print语句是否可以执行任何操作。我想我记得很久以前尝试做同样的事情，即使代码被执行，它们也不会出现。

Python CrawlSpider

2 个答案: