Scrapy - podążające linki

Opis

W tym rozdziale dowiemy się, jak wyodrębnić linki do interesujących nas stron, śledzić je i wyodrębniać dane z tej strony. W tym celu musimy wprowadzić następujące zmiany w naszym poprzednim kodzie pokazanym w następujący sposób -

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

Powyższy kod zawiera następujące metody -

• parse() - Wyodrębni linki, które nas interesują.

• response.urljoin - Metoda parse () użyje tej metody do zbudowania nowego adresu URL i dostarczy nowe żądanie, które zostanie wysłane później do wywołania zwrotnego.

• parse_dir_contents() - To jest wywołanie zwrotne, które faktycznie usunie interesujące Cię dane.

Tutaj Scrapy używa mechanizmu wywołania zwrotnego do podążania za linkami. Korzystając z tego mechanizmu, można zaprojektować większy robot indeksujący i może podążać za interesującymi nas linkami, aby pobierać żądane dane z różnych stron. Zwykłą metodą będzie metoda callback, która wyodrębni elementy, wyszuka linki do przejścia do następnej strony, a następnie wyśle ​​żądanie tego samego wywołania zwrotnego.

Poniższy przykład tworzy pętlę, która będzie następować po łączach do następnej strony.

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)