Errore dell'indice ragno Scrapy

Question

Questo è il codice per Spyder1 che ho provato a scrivere nel framework Scrapy:

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()

La regex nelle regole estrae con successo tutti i bio url che voglio dall'inizio url:

>>> 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']
>>>

Ma quando eseguo il codice ottengo

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

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

Questo è FirmItem in Items.py

from scrapy.item import Item, Field

class FirmItem(Item):
    school = Field()

    pass

Potete aiutarmi a capire dove si verifica l'errore dell'indice?

Mi sembra che abbia qualcosa a che fare con SgmLinkExtractor .

Sto cercando di far funzionare questo ragno da settimane con Scrapy. Hanno un eccellente tutorial, ma io sono nuovo di Python e della programmazione Web, quindi non capisco come ad esempio SgmlLinkExtractor funzioni dietro le quinte.

Sarebbe più facile per me provare a scrivere uno spider con la stessa semplice funzionalità con le librerie Python? Gradirei qualsiasi commento e aiuto.

Grazie

Answer 1

SgmlLinkExtractor non supporta i selettori nel suo " consentire " argomento.

Quindi questo è sbagliato:

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

Esatto:

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

Answer 2

La funzione di analisi viene chiamata per ogni corrispondenza di SgmlLinkExtractor.

Come ha detto Pablo, vuoi semplificare SgmlLinkExtractor.

Answer 3

Ho anche provato a mettere i nomi eliminati dall'URL iniziale in un elenco e quindi passare ciascun nome per analizzare sotto forma di url assoluto come http://www.whitecase.com/aabbas (per / aabbas).

Il seguente codice scorre sull'elenco, ma non so come passare questo per analizzare. Pensi che sia un'idea migliore?

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