我创建了一个简单的蜘蛛来抓取 disneyfoodblog.com 帖子并返回帖子标题和帖子永久链接。
我的项目没有显示任何错误。调试输出(见下文)显示所有起始链接都已访问,但这些页面上的链接没有被抓取。起始页是存放每天帖子的页面。从那里,我试图抓取实际的帖子。
- 这是一个起始链接的例子:http://www.disneyfoodblog.com/2014/12/31/
- 这是一个帖子:http://www.disneyfoodblog.com/2014/12/31/photo-tour-and-review-new-polynesian-village-resort-lobby-and-tiramisu-cupcake-at-captain-cooks-in-disneys-polynesian-village-resort/
我的爬虫代码:
import datetime
import scrapy
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy import log
from dfbScrape.items import *
class dfbSpider(CrawlSpider):
name="dfb"
base="http://disneyfoodblog.com/"
allowed_domains=[base]
start_urls=[]
startDate=datetime.date(2014,6,1)
endDate=datetime.date.today()
while startDate<endDate:
start_urls.append(base+str(startDate.year)+"/"+startDate.strftime("%m")+"/"+startDate.strftime("%d")+"/")
startDate+=datetime.timedelta(days=1)
rules = [Rule(SgmlLinkExtractor(allow=["\d+/\d+/\d+/.+/"]), callback='parse_item')]
def parse_item(self, response):
self.log('Hi, this is an item page! %s' % response.url)
item =DfbscrapeItem()
item['title']=response.xpath('/html/body/div[3]/div[3]/div/div/main/article/header/h1').extract()
item['link']=response.url
print "t: %s l: %s" % (item['title'],item['link'])
return item
可以在 pastebin 上查看调试输出.
让我知道我是否应该在此处包含实际输出。我没有,因为它差不多有 800 行长。
我唯一的想法是恕我直言,这不是一个很好的想法。这可能是已弃用的链接提取器的问题。我在 lxml 上选择了这个,因为我没有发现使用 lxml 的示例,而且有很多使用旧的示例。即使您无法回答我的问题,也非常感谢 lxml 的优势和示例。一如既往地欢迎建设性的批评和编辑。请询问您需要的任何其他信息。
请您参考如下方法:
如果您更仔细地查看输出,您会看到“已过滤的异地请求”消息:
2015-06-07 10:00:01-0500 [dfb] DEBUG: Filtered offsite request to 'www.disneyfoodblog.com': http://www.disneyfoodblog.com/2013/03/26/best-disney-world-restaurants-for-first-time-disney-visitors/>
这意味着“链接提取器”完成了它的工作。
但是,您的allowed_domains 设置未正确定义,应定义为:
allowed_domains = ["www.disneyfoodblog.com"]
(为我工作)。
