Następujące linki, Scrapbooking web crawler framework

Question

Po kilku odczytach dokumentacji Scrapy wciąż nie dostrzegam różnic między używaniem reguł CrawlSpider a implementacją mojego własnego mechanizmu ekstrakcji linków w metodzie callback.

Mam zamiar napisać nowego robota sieciowego przy użyciu tego ostatniego podejścia, ale tylko dlatego, że miałem złe doświadczenia w przeszłości projektu przy użyciu reguł. Naprawdę chciałbym dokładnie wiedzieć, co robię i dlaczego.

Ktoś zaznajomiony z tym narzędziem?

Dzięki za pomoc!

Answer 1

CrawlSpider dziedziczy BaseSpider. Dodano reguły, aby wyodrębnić i śledzić linki. Jeżeli te zasady nie są wystarczająco elastyczne, dla ciebie - wykorzystanie BaseSpider:

class USpider(BaseSpider): 
    """my spider. """ 

    start_urls = ['http://www.amazon.com/s/?url=search-alias%3Dapparel&sort=relevance-fs-browse-rank'] 
    allowed_domains = ['amazon.com'] 

    def parse(self, response): 
     '''Parse main category search page and extract subcategory search link.''' 
     self.log('Downloaded category search page.', log.DEBUG) 
     if response.meta['depth'] > 5: 
      self.log('Categories depth limit reached (recursive links?). Stopping further following.', log.WARNING) 

     hxs = HtmlXPathSelector(response) 
     subcategories = hxs.select("//div[@id='refinements']/*[starts-with(.,'Department')]/following-sibling::ul[1]/li/a[span[@class='refinementLink']]/@href").extract() 
     for subcategory in subcategories: 
      subcategorySearchLink = urlparse.urljoin(response.url, subcategorySearchLink) 
      yield Request(subcategorySearchLink, callback = self.parseSubcategory) 

    def parseSubcategory(self, response): 
     '''Parse subcategory search page and extract item links.''' 
     hxs = HtmlXPathSelector(response) 

     for itemLink in hxs.select('//a[@class="title"]/@href').extract(): 
      itemLink = urlparse.urljoin(response.url, itemLink) 
      self.log('Requesting item page: ' + itemLink, log.DEBUG) 
      yield Request(itemLink, callback = self.parseItem) 

     try: 
      nextPageLink = hxs.select("//a[@id='pagnNextLink']/@href").extract()[0] 
      nextPageLink = urlparse.urljoin(response.url, nextPageLink) 
      self.log('\nGoing to next search page: ' + nextPageLink + '\n', log.DEBUG) 
      yield Request(nextPageLink, callback = self.parseSubcategory) 
     except: 
      self.log('Whole category parsed: ' + categoryPath, log.DEBUG) 

    def parseItem(self, response): 
     '''Parse item page and extract product info.''' 

     hxs = HtmlXPathSelector(response) 
     item = UItem() 

     item['brand'] = self.extractText("//div[@class='buying']/span[1]/a[1]", hxs) 
     item['title'] = self.extractText("//span[@id='btAsinTitle']", hxs) 
     ... 

Nawet jeśli start_urls BaseSpider nie są wystarczająco elastyczne, dla ciebie, zastępują start_requests metody.

Answer 2

Jeśli chcesz selektywne indeksowanie, np. Pobieranie linków "Dalej" w celu paginacji itp., Lepiej napisać własny robot. Jednak w przypadku ogólnego indeksowania należy używać funkcji crawlspider i odfiltrowywać łącza, których nie trzeba wykonywać, korzystając z funkcji reguł process_links.

Spójrz na kod crawlspidera w \scrapy\contrib\spiders\crawl.py, nie jest to zbyt skomplikowane.