Seguir enlaces RSS - scrapy

Question

Me preguntaba si alguien alguna vez trató de extracto / seguir usando RSS enlaces de artículos SgmlLinkExtractor / CrawlSpider. No puedo conseguir que funcione ...

Estoy utilizando la siguiente regla:

   rules = (
       Rule(SgmlLinkExtractor(tags=('link',), attrs=False),
           follow=True,
           callback='parse_article'),
       )

(teniendo en cuenta que los enlaces RSS se encuentran en la etiqueta Enlace ).

No estoy seguro de cómo decir SgmlLinkExtractor para extraer el texto () de el enlace y no para buscar los atributos ...

Cualquier ayuda es bienvenida, Gracias de antemano

Answer 1

reglas

CrawlSpider no funcionan de esa manera. Es probable que necesite una subclase BaseSpider e implementar su propia extracción enlace en su devolución de llamada araña. Por ejemplo:

from scrapy.spider import BaseSpider
from scrapy.http import Request
from scrapy.selector import XmlXPathSelector

class MySpider(BaseSpider):
    name = 'myspider'

    def parse(self, response):
        xxs = XmlXPathSelector(response)
        links = xxs.select("//link/text()").extract()
        return [Request(x, callback=self.parse_link) for x in links]

También puede probar el XPath en la cáscara, mediante la ejecución, por ejemplo:

scrapy shell http://blog.scrapy.org/rss.xml

Y a continuación, escribiendo en el shell:

>>> xxs.select("//link/text()").extract()
[u'http://blog.scrapy.org',
 u'http://blog.scrapy.org/new-bugfix-release-0101',
 u'http://blog.scrapy.org/new-scrapy-blog-and-scrapy-010-release']

Answer 2

Hay una XMLFeedSpider puede utilizar hoy en día.

Answer 3

Lo he hecho usando CrawlSpider:

class MySpider(CrawlSpider):
   domain_name = "xml.example.com"

   def parse(self, response):
       xxs = XmlXPathSelector(response)
       items = xxs.select('//channel/item')
       for i in items: 
           urli = i.select('link/text()').extract()
           request = Request(url=urli[0], callback=self.parse1)
           yield request

   def parse1(self, response):
       hxs = HtmlXPathSelector(response)
       # ...
       yield(MyItem())

pero no estoy seguro de que es una solución muy adecuada ...

Answer 4

Ejemplo XML de Doc scrapy XMLFeedSpider

from scrapy.spiders import XMLFeedSpider
from myproject.items import TestItem

class MySpider(XMLFeedSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/feed.xml']
    iterator = 'iternodes'  # This is actually unnecessary, since it's the default value
    itertag = 'item'

    def parse_node(self, response, node):
        self.logger.info('Hi, this is a <%s> node!: %s', self.itertag, ''.join(node.extract()))

        #item = TestItem() 
        item = {} # change to dict for removing the class not found error
        item['id'] = node.xpath('@id').extract()
        item['name'] = node.xpath('name').extract()
        item['description'] = node.xpath('description').extract()
        return item