Scrapy SgmlLinkExtractorの質問
-
05-07-2019 - |
質問
SgmlLinkExtractorを機能させようとしています。
これは署名です:
SgmlLinkExtractor(allow=(), deny=(), allow_domains=(), deny_domains=(), restrict_xpaths(), tags=('a', 'area'), attrs=('href'), canonicalize=True, unique=True, process_value=None)
私はただ allow =()
だから、私は入ります
rules = (Rule(SgmlLinkExtractor(allow=("/aadler/", )), callback='parse'),)
したがって、最初のURLは 'http://www.whitecase.com/jacevedo/'
で、 allow =( '/ aadler'、)
と入力していますそしてそれを期待する
'/ aadler /'
もスキャンされます。しかし代わりに、スパイダーは最初のURLをスキャンして閉じます:
[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)
ここで何が間違っているのですか?
このスパイダーを終わらせるのを手伝ってくれるスクレイピーをうまく使った人はここにいますか?
助けてくれてありがとう。
以下にクモのコードを含めます:
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 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()
注:SOでは、1つ以上のURLを投稿できませんので、必要に応じて初期URLを置き換えてください。ごめんなさい。
解決
&quot; parse&quot;をオーバーライドしていますメソッドが表示されます。 &quot; parse&quot;は、リンクをたどるために使用されるCrawlSpiderのプライベートメソッドです。
他のヒント
ドキュメントを確認した場合&quot; 警告&quot;明確に書かれている
&quot;クロールスパイダールールを記述するときは、コールバックとして解析を使用しないでください。クロールスパイダーは解析メソッド自体を使用してロジックを実装するためです。したがって、解析メソッドをオーバーライドすると、クロールスパイダーは機能しなくなります。&quot;
allow =(r '/ aadler /'、...
&quot; rules&quot;の最初の要素の後にカンマがありません。タプルになります。
rules = (Rule(SgmlLinkExtractor(allow=('/careers/n.\w+', )), callback='parse', follow=True),)
所属していません StackOverflow