Scrapy - следуйте ссылкам RSS

Question

Мне было интересно, если кто-то когда-либо пытался извлечь / следовать ссылкам RSS-элемента с помощью SGMLLINKEXTRACTOR / CRANTSSPIDER. Я не могу получить это на работу ...

Я использую следующее правило:

 правила = (правило (sgmllinkextractor (теги = ('link',), attrs = false), следуйте = true, callback = 'parse_article'),),)

(имея в виду, что ссылки RSS расположены в связь ярлык).

Я не уверен, как сказать sgmllinkextractor, чтобы извлечь текст () ссылки и не искать атрибуты ...

Любая помощь приветствуется, заранее спасибо

Answer 1

Правила Craillspider не работают таким образом. Вам, вероятно, понадобится подкласс BASESSIDER и реализовать собственную добычу ссылок в вашем обратном вызове паука. Например:

from scrapy.spider import BaseSpider
from scrapy.http import Request
from scrapy.selector import XmlXPathSelector

class MySpider(BaseSpider):
    name = 'myspider'

    def parse(self, response):
        xxs = XmlXPathSelector(response)
        links = xxs.select("//link/text()").extract()
        return [Request(x, callback=self.parse_link) for x in links]

Вы также можете попробовать XPath в оболочке, запустив, например:

scrapy shell http://blog.scrapy.org/rss.xml

А затем печатать в оболочке:

>>> xxs.select("//link/text()").extract()
[u'http://blog.scrapy.org',
 u'http://blog.scrapy.org/new-bugfix-release-0101',
 u'http://blog.scrapy.org/new-scrapy-blog-and-scrapy-010-release']

Answer 2

Там есть XMLFeedSpider можно использовать в наши дни.

Answer 3

Я сделал это, используя crawlspider:

class MySpider(CrawlSpider):
   domain_name = "xml.example.com"

   def parse(self, response):
       xxs = XmlXPathSelector(response)
       items = xxs.select('//channel/item')
       for i in items: 
           urli = i.select('link/text()').extract()
           request = Request(url=urli[0], callback=self.parse1)
           yield request

   def parse1(self, response):
       hxs = HtmlXPathSelector(response)
       # ...
       yield(MyItem())

Но я не уверен, что это очень правильное решение ...

Answer 4

XML пример от SCRAPY DOC Xmlfeedspider

from scrapy.spiders import XMLFeedSpider
from myproject.items import TestItem

class MySpider(XMLFeedSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/feed.xml']
    iterator = 'iternodes'  # This is actually unnecessary, since it's the default value
    itertag = 'item'

    def parse_node(self, response, node):
        self.logger.info('Hi, this is a <%s> node!: %s', self.itertag, ''.join(node.extract()))

        #item = TestItem() 
        item = {} # change to dict for removing the class not found error
        item['id'] = node.xpath('@id').extract()
        item['name'] = node.xpath('name').extract()
        item['description'] = node.xpath('description').extract()
        return item