这里是我的Scrapy代码...Scrapy只爬行1页
import scrapy
class NewsSpider(scrapy.Spider):
name = "news"
start_urls = ['http://www.StartURL.com/scrapy/all-news-listing']
allowed_domains = ["www.xxxxx.com"]
def parse(self, response):
for news in response.xpath('head'):
yield {
'pagetype': news.xpath('//meta[@name="pdknpagetype"]/@content').extract(),
'pagetitle': news.xpath('//meta[@name="pdknpagetitle"]/@content').extract(),
'pageurl': news.xpath('//meta[@name="pdknpageurl"]/@content').extract(),
'pagedate': news.xpath('//meta[@name="pdknpagedate"]/@content').extract(),
'pagedescription': news.xpath('//meta[@name="pdknpagedescription"]/@content').extract(),
'bodytext': [' '.join(item.split()) for item in (response.xpath('//div[@class="module__contentp"]/*/node()/text()').extract())],
}
next_page = response.css('p a::attr(href)').extract_first()
if next_page is not None:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse)
我start_urls页面如下所示。这是一个非常简单的页面,并列出所有的3000链接/网址我想爬......
<html>
<head>
<div>
<p><a href="http://www.xxxxx.com/asdas-sdf/kkm">Page 1</a></p>
<p><a href="http://www.xxxxx.com/vdfvd-asda/vdfvf/dfvd">Page 2</a></p>
<p><a href="http://www.xxxxx.com/oiijo/uoiu/xwswd">Page 3</a></p>
<p><a href="http://www.xxxxx.com/jnkjn-yutyy/hjj-sdf/plm">Page 4</a></p>
<p><a href="http://www.xxxxx.com/unhb-oiiuio/hbhb/jhjh/qwer">Page 5</a></p>
<p><a href="http://www.xxxxx.com/eres/popo-hbhh/oko-sdf/ynyt">Page 6</a></p>
<p><a href="http://www.xxxxx.com/yhbb-ytyu/oioi/rtgb/ttyht">Page 7</a></p>
..........
<p><a href="http://www.xxxxx.com/iojoij/uhuh/page3000">Page 3000</a></p>
</div>
</head>
</html>
当我送Scrapy这个页面,它只是抓取第一个环节即http://www.xxxxx.com/page1和停止。 没有错误报告。看起来像这个递归部分是不是很工作...!那么,如何修改此代码以访问这3000个网址中的每个网址,然后获取一些特定字段。
我看到在其他一些类似的问题,人们使用“规则”和Scrapy的“LinkExtractor”对象?我不确定是否需要这些,因为我的要求非常简单。
任何帮助非常感谢。谢谢
你能举一个例子网址是什么? next_page网址可能会通过过滤器进行过滤,因此您的next_page网址发现可能存在缺陷。通常情况下,您正在寻找名为next_page的网址或跟踪未超链接的网页的div。如果你能提供一个例子,它会更容易解释。 – Granitosaurus
我找到了一个解决方案.....请参阅下面我更新的代码... – Slyper