Scrapy - 关注链接

说明

在本篇中，我们将学习如何提取我们感兴趣的页面链接，关注它们并从该页面提取数据。为此，我们需要对我们上一代码进行如下变更：-

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

以上代码包含以下方法：-

• 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一个新的 URL 并提供一个新的请求，稍后将将其发送给回调函数。

• parse_dir_contents() - 这是一个回调函数，它将实际抓取我们感兴趣的数据。

Scrapy 在这里使用一个回调机制来关注链接。利用此机制，可以设计出更大的爬虫，还可以关注我们感兴趣的链接，以便从不同的网页中抓取所需数据。常规方法将是回调方法，它将提取项，寻找链接以关注下一页，然后为相同的回调提供一个请求。

以下示例产生一个循环，它将关注链接到下一页。

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)