Wie verwende ich Rules, restricted_xpaths richtig, um URLs mit scrapy zu crawlen und zu analysieren?
Ich versuche, eine Crawl-Spinne so zu programmieren, dass sie RSS-Feeds einer Website crawlt und dann die Meta-Tags des Artikels analysiert.
Die erste RSS-Seite ist eine Seite, auf der die RSS-Kategorien angezeigt werden. Es ist mir gelungen, den Link zu extrahieren, da sich das Tag in einem Tag befindet. Es sieht aus wie das:
<tr>
<td class="xmlLink">
<a href="http://feeds.example.com/subject1">subject1</a>
</td>
</tr>
<tr>
<td class="xmlLink">
<a href="http://feeds.example.com/subject2">subject2</a>
</td>
</tr>
Wenn Sie auf diesen Link klicken, werden die Artikel für diese RSS-Kategorie angezeigt, die folgendermaßen aussehen:
<li class="regularitem">
<h4 class="itemtitle">
<a href="http://example.com/article1">article1</a>
</h4>
</li>
<li class="regularitem">
<h4 class="itemtitle">
<a href="http://example.com/article2">article2</a>
</h4>
</li>
Wie Sie sehen, kann ich den Link mit xpath erneut abrufen, wenn ich das Tag verwende, zu dem mein Crawler den Link innerhalb dieses Tags aufrufen und die Meta-Tags für mich analysieren soll.
Hier ist mein Crawler-Code:
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from tutorial.items import exampleItem
class MetaCrawl(CrawlSpider):
name = 'metaspider'
start_urls = ['http://example.com/tools/rss'] # urls from which the spider will start crawling
rules = [Rule(SgmlLinkExtractor(restrict_xpaths=('//td[@class="xmlLink"]')), follow=True),
Rule(SgmlLinkExtractor(restrict_xpaths=('//h4[@class="itemtitle"]')), callback='parse_articles')]
def parse_articles(self, response):
hxs = HtmlXPathSelector(response)
meta = hxs.select('//meta')
items = []
for m in meta:
item = exampleItem()
item['link'] = response.url
item['meta_name'] =m.select('@name').extract()
item['meta_value'] = m.select('@content').extract()
items.append(item)
return items
Dies ist jedoch die Ausgabe, wenn ich den Crawler ausführe:
DEBUG: Crawled (200) <GET http://http://feeds.example.com/subject1> (referer: http://example.com/tools/rss)
DEBUG: Crawled (200) <GET http://http://feeds.example.com/subject2> (referer: http://example.com/tools/rss)
Was mache ich hier falsch? Ich habe die Dokumentation immer und immer wieder gelesen, aber ich habe das Gefühl, immer wieder etwas zu übersehen. Jede Hilfe wäre dankbar.
BEARBEITEN: Hinzugefügt: items.append (item). Hatte es im Originalpost vergessen.BEARBEITEN: : Ich habe es auch versucht und es ergab die gleiche Ausgabe:
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from reuters.items import exampleItem
from scrapy.http import Request
class MetaCrawl(CrawlSpider):
name = 'metaspider'
start_urls = ['http://example.com/tools/rss'] # urls from which the spider will start crawling
rules = [Rule(SgmlLinkExtractor(allow=[r'.*',], restrict_xpaths=('//td[@class="xmlLink"]')), follow=True),
Rule(SgmlLinkExtractor(allow=[r'.*'], restrict_xpaths=('//h4[@class="itemtitle"]')),follow=True),]
def parse(self, response):
hxs = HtmlXPathSelector(response)
meta = hxs.select('//td[@class="xmlLink"]/a/@href')
for m in meta:
yield Request(m.extract(), callback = self.parse_link)
def parse_link(self, response):
hxs = HtmlXPathSelector(response)
meta = hxs.select('//h4[@class="itemtitle"]/a/@href')
for m in meta:
yield Request(m.extract(), callback = self.parse_again)
def parse_again(self, response):
hxs = HtmlXPathSelector(response)
meta = hxs.select('//meta')
items = []
for m in meta:
item = exampleItem()
item['link'] = response.url
item['meta_name'] = m.select('@name').extract()
item['meta_value'] = m.select('@content').extract()
items.append(item)
return items