我刚刚安装了scrapy并遵循了简单的dmoz tutorial。我只是查找了python的基本文件处理,并试图让爬虫从文件中读取URL列表,但是出现了一些错误。这可能是错的,但我试了一下。有人请告诉我一个将URL列表读入scrapy的例子吗?提前谢谢。
from scrapy.spider import BaseSpider
class DmozSpider(BaseSpider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
f = open("urls.txt")
start_urls = f
def parse(self, response):
filename = response.url.split("/")[-2]
open(filename, 'wb').write(response.body)
答案 0 :(得分:33)
你非常接近。
f = open("urls.txt")
start_urls = [url.strip() for url in f.readlines()]
f.close()
...更好的方法是使用上下文管理器确保文件按预期关闭:
with open("urls.txt", "rt") as f:
start_urls = [url.strip() for url in f.readlines()]
答案 1 :(得分:4)
如果Dmoz只希望列表中有文件名,则必须在每一行上调用strip。否则,您会在每个网址的末尾得到一个“\ n”。
class DmozSpider(BaseSpider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [l.strip() for l in open('urls.txt').readlines()]
Python 2.7中的示例
>>> open('urls.txt').readlines()
['http://site.org\n', 'http://example.org\n', 'http://example.com/page\n']
>>> [l.strip() for l in open('urls.txt').readlines()]
['http://site.org', 'http://example.org', 'http://example.com/page']
答案 2 :(得分:0)
编写Scrapy helloworld时出现类似问题。除了从文件读取URL,您可能还需要输入文件名作为参数。这可以通过Spider argument机制来完成。
我的例子:
class MySpider(scrapy.Spider):
name = 'my'
def __init__(self, config_file = None, *args, **kwargs):
super(MySpider, self).__init__(*args, **kwargs)
with open(config_file) as f:
self._config = json.load(f)
self._url_list = self._config['url_list']
def start_requests(self):
for url in self._url_list:
yield scrapy.Request(url = url, callback = self.parse)