Jak dynamicznie generować start_urls podczas indeksowania?

Question

Przeszukuję witrynę, która może zawierać wiele danych wyjściowych, takich jak http://www.a.com/list_1_2_3.htm.

Chcę wypełnić start_urls jak [list_ \ d + \ d + \ d + .htm], i wyodrębnić elementy z adresów URL, takich jak [node_ \ d + .htm] podczas przeszukiwania.

Czy mogę użyć CrawlSpider do realizacji tej funkcji? A w jaki sposób mogę generować dynamiczne indeksy start_ly w indeksowaniu?

Wielkie dzięki!

Answer 1

Istnieją dwa pytania:

1) tak można zrealizować tę funkcjonalność za pomocą reguł np

rules =(Rule(SgmlLinkExtractor(allow = ('node_\d+.htm')) ,callback = 'parse')) 

suggested reading

2) tak można wygenerować start_urls dynamicznie start_urls jest

lista

np >>> start_urls = ['http://www.a.com/%d_%d_%d' %(n,n+1,n+2) for n in range(0, 26)]

>>> start_urls 

['http://www.a.com/0_1_2', 'http://www.a.com/1_2_3', 'http://www.a.com/2_3_4', 'http://www.a.com/3_4_5', 'http://www.a.com/4_5_6', 'http://www.a.com/5_6_7', 'http://www.a.com/6_7_8', 'http://www.a.com/7_8_9', 'http://www.a.com/8_9_10','http://www.a.com/9_10_11', 'http://www.a.com/10_11_12', 'http://www.a.com/11_12_13', 'http://www.a.com/12_13_14', 'http://www.a.com/13_14_15', 'http://www.a.com/14_15_16', 'http://www.a.com/15_16_17', 'http://www.a.com/16_17_18', 'http://www.a.com/17_18_19', 'http://www.a.com/18_19_20', 'http://www.a.com/19_20_21', 'http://www.a.com/20_21_22', 'http://www.a.com/21_22_23', 'http://www.a.com/22_23_24', 'http://www.a.com/23_24_25', 'http://www.a.com/24_25_26', 'http://www.a.com/25_26_27'] 

Answer 2

Najlepszym sposobem na generowanie adresów dynamicznie ma zastąpić 'start_requests' metodę pająka:

from scrapy.http.request import Request 

def start_requests(self): 
     with open('urls.txt, 'rb') as urls: 
      for url in urls: 
       yield Request(url, self.parse)