Scrapy spider Indexfehler

Question

Dies ist der Code für Spyder1, die ich innerhalb Scrapy Rahmen zu schreiben versucht habe:

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

class Spider1(CrawlSpider):
    domain_name = 'wc2'
    start_urls = ['http://www.whitecase.com/Attorneys/List.aspx?LastName=A']
    rules = (
        Rule(SgmlLinkExtractor(allow=["hxs.select(
            '//td[@class='altRow'][1]/a/@href').re('/.a\w+')"]), 
            callback='parse'),
    )

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        JD = FirmItem()
        JD['school'] = hxs.select(
                   '//td[@class="mainColumnTDa"]').re('(?<=(JD,\s))(.*?)(\d+)'
        )
        return JD    

SPIDER = Spider1()

Die Regex in der rules erfolgreich zieht alle Bio-URLs, die ich von Anfang an url wollen:

>>> hxs.select(
...             '//td[@class="altRow"][1]/a/@href').re('/.a\w+')
[u'/cabel', u'/jacevedo', u'/jacuna', u'/aadler', u'/zahmedani', u'/tairisto', u
'/zalbert', u'/salberts', u'/aaleksandrova', u'/malhadeff', u'/nalivojvodic', u'
/kallchurch', u'/jalleyne', u'/lalonzo', u'/malthoff', u'/valvarez', u'/camon',
u'/randerson', u'/eandreeva', u'/pangeli', u'/jangland', u'/mantczak', u'/darany
i', u'/carhold', u'/marora', u'/garrington', u'/jartzinger', u'/sasayama', u'/ma
sschenfeldt', u'/dattanasio', u'/watterbury', u'/jaudrlicka', u'/caverch', u'/fa
yanruoh', u'/razar']
>>>

Aber wenn ich den Code ausführen ich

[wc2] ERROR: Error processing FirmItem(school=[]) - 

[Failure instance: Traceback: <type 'exceptions.IndexError'>: list index out of range

Dies ist der FirmItem in Items.py

from scrapy.item import Item, Field

class FirmItem(Item):
    school = Field()

    pass

Können Sie mir helfen, zu verstehen, wo der Index-Fehler auftritt?

Es scheint mir, dass es etwas mit SgmLinkExtractor .

Ich habe versucht, diese Spinne Arbeit für Wochen mit Scrapy zu machen. Sie haben eine hervorragende Anleitung, aber ich bin neu in Python und Web-Programmierung so verstehe ich nicht, wie zum Beispiel SgmlLinkExtractor hinter den Kulissen funktioniert.

Wäre es einfacher für mich zu versuchen, eine Spinne mit der gleichen einfachen Funktionalität mit Python-Bibliotheken zu schreiben? Ich würde keine Kommentare schätzen und zu helfen.

Danke

Answer 1

SgmlLinkExtractor unterstützt keine Wähler in seinem "erlauben" Argumente.

Das ist also falsch:

SgmlLinkExtractor(allow=["hxs.select('//td[@class='altRow'] ...')"])

Das ist richtig:

SgmlLinkExtractor(allow=[r"product\.php"])

Answer 2

Die Parsing-Funktion für jedes Spiel Ihres SgmlLinkExtractor genannt wird.

Wie Pablo erwähnt Sie Ihren SgmlLinkExtractor vereinfachen.

Answer 3

Ich habe auch versucht, die Namen aus der ursprünglichen URL in eine Liste gekratzt zu setzen und dann jeden Namen übergibt in Form von absoluter URL als http://www.whitecase.com/aabbas (für / aabbas) zu analysieren.

Der folgende Code Schleifen über die Liste, aber ich weiß nicht, wie das passieren zu analysieren. Glauben Sie, das ist eine bessere Idee?

baseurl = 'http://www.whitecase.com'
names = ['aabbas', '/cabel', '/jacevedo', '/jacuna', '/igbadegesin']

def makeurl(baseurl, names):
  for x in names:
      url = baseurl + x
      baseurl = 'http://www.whitecase.com'
      x = ''
      return url