スクレイピースパイダーインデックスエラー

Question

これは、Scrapyフレームワーク内で記述しようとしているSpyder1のコードです。

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()

rules の正規表現は、開始URLから必要なすべてのバイオURLを正常にプルします：

>>> 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']
>>>

ただし、取得したコードを実行すると

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

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

これはItems.pyのFirmItemです

from scrapy.item import Item, Field

class FirmItem(Item):
    school = Field()

    pass

インデックスエラーが発生した場所を理解するのに役立ちますか？

SgmLinkExtractor 。

私はこのスパイダーをScrapyで数週間機能させようと試みてきました。彼らは優れたチュートリアルを持っていますが、私はPythonとWebプログラミングに慣れていないので、たとえば SgmlLinkExtractor が舞台裏でどのように機能するか理解できません。

Pythonライブラリを使用して、同じ単純な機能を備えたスパイダーを作成しようとする方が簡単でしょうか？コメントやヘルプをお願いします。

ありがとう

Answer 1

SgmlLinkExtractorは、「許可」のセレクタをサポートしていません。引数。

これは間違っています：

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

これは正しい：

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

Answer 2

解析関数は、SgmlLinkExtractorの一致ごとに呼び出されます。

Pabloが述べたように、SgmlLinkExtractorを単純化したい。

Answer 3

また、最初のURLからスクレイピングされた名前をリストに入れてから、それぞれの名前を絶対URLの形式で http://www.whitecase.com/aabbas として解析に渡そうとしました（/ aabbasの場合）。

次のコードはリストをループしますが、これをparseに渡す方法がわかりません。これはより良いアイデアだと思いますか？

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