Scrapy - 跟踪链接

描述

在本章中，我们将研究如何提取我们感兴趣的页面的链接，跟踪它们并从该页面中提取数据。为此，我们需要在上一个代码中进行以下更改，如下所示 −

import scrapy
from tutorial.items import DmozItem

class MyprojectSpider(scrapy.Spider):
   name = "project"
   allowed_domains = ["dmoz.org"]
   
   start_urls = [
      "http://www.dmoz.org/Computers/Programming/Languages/Python/",
   ]
   def parse(self, response):
      for href in response.css("ul.directory.dir-col > li > a::attr('href')"):
         url = response.urljoin(href.extract())
            yield scrapy.Request(url, callback = self.parse_dir_contents)

   def parse_dir_contents(self, response):
      for sel in response.xpath('//ul/li'):
         item = DmozItem()
         item['title'] = sel.xpath('a/text()').extract()
         item['link'] = sel.xpath('a/@href').extract()
         item['desc'] = sel.xpath('text()').extract()
         yield item

上述代码包含以下方法 −

• parse() − 它将提取我们感兴趣的链接。

• response.urljoin − parse() 方法将使用此方法构建新的 url 并提供新的请求，该请求稍后将发送到回调。

• parse_dir_contents() − 这是一个回调，它将实际抓取感兴趣的数据。

在这里，Scrapy 使用回调机制来跟踪链接。使用这种机制，可以设计更大的爬虫，并可以跟踪感兴趣的链接以从不同页面抓取所需的数据。常规方法将是回调方法，它将提取项目，查找链接以跟踪下一页，然后提供对相同回调的请求。

以下示例生成一个循环，它将跟踪到下一页的链接。

def parse_articles_follow_next_page(self, response):
   for article in response.xpath("//article"):
      item = ArticleItem()
    
      ... extract article data here

      yield item

   next_page = response.css("ul.navigation > li.next-page > a::attr('href')")
   if next_page:
      url = response.urljoin(next_page[0].extract())
      yield scrapy.Request(url, self.parse_articles_follow_next_page)