Scrapy SgmlLinkExtractor Frage
-
05-07-2019 - |
Frage
Ich versuche, den SgmlLinkExtractor zu machen zu arbeiten.
Dies ist die Signatur:
SgmlLinkExtractor(allow=(), deny=(), allow_domains=(), deny_domains=(), restrict_xpaths(), tags=('a', 'area'), attrs=('href'), canonicalize=True, unique=True, process_value=None)
Ich bin gerade mit allow=()
Also, ich eingeben
rules = (Rule(SgmlLinkExtractor(allow=("/aadler/", )), callback='parse'),)
So wird die anfängliche URL ist 'http://www.whitecase.com/jacevedo/'
und ich bin Eingabe allow=('/aadler',)
und erwarten, dass
'/aadler/'
wird erhalten und gescannt. Aber stattdessen die Spinne scannt die anfängliche URL und schließt dann:
[wcase] INFO: Domain opened
[wcase] DEBUG: Crawled </jacevedo/> (referer: <None>)
[wcase] INFO: Passed NuItem(school=[u'JD, ', u'Columbia Law School, Harlan Fiske Stone Scholar, Parker School Recognition of Achievement in International and Foreign Law, ', u'2005'])
[wcase] INFO: Closing domain (finished)
Was bin ich falsch hier?
Gibt es hier jemand, Scrapy erfolgreich eingesetzt, die mir helfen können, diese Spinne zu beenden?
Vielen Dank für die Hilfe.
I enthalten den Code für die Spinne unter:
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 Nu.items import NuItem
from urls import u
class NuSpider(CrawlSpider):
domain_name = "wcase"
start_urls = ['xxxxxx/jacevedo/']
rules = (Rule(SgmlLinkExtractor(allow=("/aadler/", )), callback='parse'),)
def parse(self, response):
hxs = HtmlXPathSelector(response)
item = NuItem()
item['school'] = hxs.select('//td[@class="mainColumnTDa"]').re('(?<=(JD,\s))(.*?)(\d+)')
return item
SPIDER = NuSpider()
Hinweis: SO werde mich nicht mehr als 1 url lassen veröffentlichen, damit die ursprüngliche URL als notwendig ersetzen. Tut mir leid.
Lösung
Sie sind das Überschreiben der „Parse“ -Methode es erscheint. "Parsen", ist eine private Methode in CrawlSpider verwendet Links zu folgen.
Andere Tipps
Wenn Sie überprüfen Dokumentation eine " Warnung " ist klar geschrieben
„Wenn Crawl Spinne Regeln schreiben, vermeiden wie Rückruf mit Parse, da die Crawl-Spinne der Parse-Methode verwendet, um mich seine Logik zu implementieren. Wenn Sie also die Parse-Methode überschreiben, wird die Crawl-Spinne nicht mehr arbeiten.“
allow = (r '/ aadler /', ...
Sie sind fehlende Kommas nach dem ersten Elemente für „Regeln“ zu sein, ein Tupel ..
rules = (Rule(SgmlLinkExtractor(allow=('/careers/n.\w+', )), callback='parse', follow=True),)