pergunta scrapy SgmlLinkExtractor
-
05-07-2019 - |
Pergunta
Eu estou tentando fazer o SgmlLinkExtractor ao trabalho.
Esta é a assinatura:
SgmlLinkExtractor(allow=(), deny=(), allow_domains=(), deny_domains=(), restrict_xpaths(), tags=('a', 'area'), attrs=('href'), canonicalize=True, unique=True, process_value=None)
Estou apenas usando allow=()
Assim, entro
rules = (Rule(SgmlLinkExtractor(allow=("/aadler/", )), callback='parse'),)
Assim, a URL inicial é 'http://www.whitecase.com/jacevedo/'
e eu estou entrando allow=('/aadler',)
e esperar que
'/aadler/'
vai ser digitalizado também. Mas em vez disso, a aranha varre a url inicial e, em seguida, fecha-se:
[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)
O que estou fazendo de errado aqui?
Há alguém aqui que usou Scrapy sucesso que pode me ajudar a terminar esta aranha?
Obrigado pela ajuda.
I incluem o código para a aranha abaixo:
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()
Nota: SO não vai me deixar postar mais de 1 URL para substituir a URL inicial, se necessário. Desculpe por isso.
Solução
Você está substituindo o método "de análise" que parece. "Parse", é um método privado em CrawlSpider usado para seguir os links.
Outras dicas
Se você verificar a documentação de um " Aviso " está claramente escrito
"Ao escrever regras de rastreamento de aranha, evite o uso de análise de retorno de chamada, uma vez que o Crawl Aranha usa o próprio método de análise para implementar sua lógica. Então, se você substituir o método de análise, a aranha rastreamento não funcionará mais."
allow = (r '/ aadler /', ...
Está faltando vírgula após o primeiro elemento para "regras" para ser uma tupla ..
rules = (Rule(SgmlLinkExtractor(allow=('/careers/n.\w+', )), callback='parse', follow=True),)