Scrapy aranha erro índice

Question

Este é o código para Spyder1 que eu tenho tentado a escrever no quadro 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()

O regex na rules puxa com sucesso todas as urls do bio que eu quero do url início:

>>> 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']
>>>

Mas quando eu executar o código I get

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

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

Esta é a FirmItem em Items.py

from scrapy.item import Item, Field

class FirmItem(Item):
    school = Field()

    pass

Você pode me ajudar a entender onde o erro ocorre índice?

Parece-me que ele tem algo a ver com SgmLinkExtractor .

Eu tenho tentado para fazer este trabalho de aranha por semanas com Scrapy. Eles têm um excelente tutorial, mas eu sou novo para python e programação web, então eu não entendo como por exemplo SgmlLinkExtractor trabalha por trás da cena.

Seria mais fácil para mim para tentar escrever uma aranha com a mesma funcionalidade simples com bibliotecas Python? Gostaria muito de receber quaisquer comentários e ajuda.

Graças

Answer 1

SgmlLinkExtractor não suporta seletores no seu argumento de "permitir".

Então, isso é errado:

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

Esta é a direita:

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

Answer 2

A função de análise é chamado para cada jogo de sua SgmlLinkExtractor.

Como Pablo mencionado você quer simplificar a sua SgmlLinkExtractor.

Answer 3

Eu também tentei colocar os nomes raspados do url inicial em uma lista e, em seguida, passar cada nome para análise na forma de url absoluto como http://www.whitecase.com/aabbas (para / aabbas).

O código a seguir circula sobre a lista, mas eu não sei como passar isso para analisar. Você acha que isso é uma idéia melhor?

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