Scrapy 크롤러 입문 튜토리얼 4 Spider(크롤러)

PHPz
풀어 주다: 2017-04-04 10:35:37
원래의
2736명이 탐색했습니다.

Python버전 관리: pyenv 및 pyenv-virtualenv
Scrapy 크롤러 입문 튜토리얼 1설치기본 사용
Scrapy 크롤러 입문 튜토리얼 2 공식적으로 제공되는 데모
Scrapy 크롤러 입문 튜토리얼 3 명령줄 도구 소개 및 예시
Scrapy 크롤러 입문 튜토리얼 4 Spider(크롤러)
Scrapy 크롤러 입문 튜토리얼 5 선택기(선택기)
Scrapy 크롤러 입문 튜토리얼 6 항목(프로젝트)
Scrapy 크롤러 입문 튜토리얼 7 아이템 로더(프로젝트 로더)
Scrapy 크롤러 입문 튜토리얼 8 편리한 디버깅
을 위한 대화형 셸 Scrapy 크롤러 입문 튜토리얼 9 항목 파이프라인(프로젝트 파이프라인)
Scrapy 크롤러 입문 튜토리얼 10 피드 내보내기(파일 내보내기)
Scrapy 크롤러 입문 튜토리얼 11 요청 및 응답(요청 및 응답)
Scrapy 크롤러 입문 튜토리얼 12개 링크 추출or(링크 추출기)

[toc]

개발 환경:
Python 3.6.0 版本(현재 최신)
Scrapy 1.3.2 版本(현재 최신)

Spider

크롤러는 웹 사이트(또는 웹 사이트의 A 클래스)를 크롤링하는 방법을 정의합니다. 크롤링을 수행하는 방법(예: 링크 따라가기) 및 웹 페이지에서 구조화된 데이터를 추출하는 방법(예: 크롤링 항목)을 포함합니다. 즉, 스파이더는 특정 항목에 사용되도록 정의하는 클래스입니다. 웹사이트(또는 특정 웹사이트)에서는 사용자 정의 동작 으로 웹페이지를 크롤링하고 구문 분석합니다. 여기서

크롤러의 경우 루프 은 다음과 같은 과정을 거칩니다.

  1. 첫 번째 URL을 스크랩하기 위한 초기 요청을 생성한 후 응답과 함께 호출할 콜백 함수를 지정합니다. > 첫 번째로 실행된 요청은 start_requests()를 호출하여 얻습니다(기본값). 요청은 start_urls에 지정된

    URL에 대한

    구문 분석 메서드를 생성하고 이 메서드는 요청에 대한 콜백 함수 역할을 합니다. .

    콜백 함수에서 응답(웹페이지)을 구문 분석하고 추출된 데이터가 포함된 객체, Item
  2. 객체
  3. , 요청 객체 또는 이러한 객체의 반복 가능 객체를 반환합니다. 이러한 요청에는 콜백(동일할 수 있음)도 포함되며, 이는 Scrapy에 의해 다운로드되고 해당 응답은 지정된 콜백에 의해 처리됩니다.

    콜백 함수에서는 일반적으로 선택기를 사용하여 페이지 내용을 구문 분석합니다. (하지만 Beaut
  4. if
  5. ulSoup, l

    xml을 사용할 수도 있습니다. 또는 선호하는 메커니즘) 구문 분석된 데이터로 프로젝트를 생성합니다.

    마지막으로 크롤러에서 반환된 항목은 일반적으로 데이터베이스(일부 항목 파이프라인)에 유지되거나 피드 내보내기를 사용하여 파일에 기록됩니다.
  6. 이 루프는 (거의) 모든 종류의 크롤러에 작동하지만 다양한 목적을 위해 Scrapy에 번들로 제공되는 다양한 종류의 기본 크롤러가 있습니다. 여기서는 이러한 유형에 대해 이야기하겠습니다.
<a href="http://www.php.cn/wiki/164.html" target="_blank">클래스<p> scrapy.spiders.Spider</p></a>

이것은 가장 간단한 크롤러이며, 다른 모든 크롤러는 <a href="http://www.php.cn/wiki/164.html" target="_blank">class</a> scrapy.spiders.Spider

의 크롤러를 상속해야 합니다(Scrapy와 함께 번들로 제공되는 크롤러 및 직접 작성하는 크롤러 포함). 특별한 기능을 제공하지 않습니다. 단순히

속성 에서 요청을 보내는 기본 start_requests() 구현을 제공하고 start_urlsspider는 각 결과 응답에 대해 메서드를 호출합니다. parsespider

이 크롤러의 이름을 정의하는

문자열name입니다. 크롤러 이름은 Scrapy가 크롤러를 찾고 인스턴스화하는 방법이므로
고유해야 합니다. 그러나 동일한 크롤러의 여러 인스턴스를 인스턴스화하는 데 방해가 되는 것은 없습니다. 이는 가장 중요한 크롤러 속성이며 필수입니다. 크롤러가 단일 도메인 이름을 크롤링하는 경우 일반적으로 도메인 이름을 따서 크롤러 이름을 지정합니다. 예를 들어 mywebsite.com을 크롤링하는 크롤러는 일반적으로 mywebsite라고 합니다.

참고

Python 2에서는 ASCII여야 합니다. allowed_do<a href="http://www.php.cn/wiki/646.html" target="_blank">기본<br></a>

허용됨 이 크롤러가 크롤링하는 도메인 문자열의 선택적 목록입니다. 크롤링할 목록을 지정하세요.

다른 목록allowed_do<a href="http://www.php.cn/wiki/646.html" target="_blank">main</a>s은 크롤링되지 않습니다.

특정 URL이 지정되지 않은 경우 크롤러가 크롤링을 시작하는 URL 목록입니다.

custom_<a href="http://www.php.cn/code/8209.html" target="_blank">set</a>tings
이 크롤러를 실행할 때 프로젝트 전체 구성에서 재정의될 설정 사전입니다. 인스턴스화 전에 설정이 업데이트되므로 클래스 속성으로 정의해야 합니다.

사용 가능한 내장 설정 목록은 내장 설정 참조를 참조하세요.

crawler이 속성은 클래스를 초기화한 후 클래스 메소드 from_crawler()에 의해 설정되며 크롤러 인스턴스가 바인딩된 개체에 크롤러를 연결합니다.

크롤러는 단일 항목 액세스를 위해 프로젝트의 많은 구성요소(확장,

미들웨어, 신호 관리자 등)를 캡슐화합니다. 자세한 내용은 크롤러API를 참조하세요.

settings 이 크롤러를 실행하기 위한 구성입니다. 이는 설정 인스턴스입니다. 이 주제에 대한 자세한 소개는 설정 테마를 참조하세요.

loggerSpider로 만든 Python 로거
. 크롤러 로깅에 설명된 대로 이를 사용하여 로그 메시지를 보낼 수 있습니다. name

(crawler, from_crawler args, * kwargs) 는 Scrapy가 크롤러를 생성하는 데 사용하는 클래스 메서드입니다.

기본 구현이 메서드의 프록시 역할을 하므로 이를 직접 재정의할 필요가 없을 수도 있습니다.

주어진 인수 args 및 명명된 인수 kwargs를 사용하여 메서드를 호출합니다. init()

그럼에도 불구하고 이 방법은 나중에 크롤러에서 액세스할 수 있도록 새 인스턴스에 크롤러 및 설정 속성을 설정합니다.

  • 매개변수:

    • crawler(Crawlerinstance) - 크롤러가 바인딩될 크롤러

    • args(목록) –

      init() 메서드에 전달된 인수

    • kwargs(dict) –

      init() 메소드에 대한 키워드 인수

이 메소드는 이 크롤러를 크롤링하기 위한 첫 번째 요청의 반복 가능 항목을 반환해야 합니다. start_requests()
start_requests()로는 start_urls를 쓰지 않고, 써도 소용이 없습니다.

기본 구현은 start_urls이지만 start_requests 메소드를 재정의할 수 있습니다.

예를 들어

POST 요청
을 사용하여 로그인하여 시작해야 하는 경우 다음을 수행할 수 있습니다.

URL을 수신하고 크롤링을 위한 요청 개체(또는 요청 개체 목록) 방법입니다. 이 메소드는 start_requests() 메소드 내에서 초기 요청을 구성하는 데 사용되며 일반적으로 URL을 요청으로 변환하는 데 사용됩니다. make_requests_from_url(url)
재정의되지 않는 한, 이 메소드는 콜백 함수로 구문 분석() 메소드를 사용하고 dont_filter 매개변수가 활성화된 요청을 반환합니다(자세한 내용은 요청 클래스 참조).

이것은 요청에 콜백이 지정되지 않은 경우 다운로드된 응답을 처리하기 위한 Scrapy의 기본 콜백입니다. parse(response)
파싱 메소드는 응답을 처리하고 크롤링된 데이터 또는 추가 URL을 반환하는 역할을 합니다. 다른 요청 콜백에는 Spider 클래스와 동일한 요구 사항이 있습니다.

이 메소드와 기타 요청 콜백은 요청 및 사전 또는 항목 객체의 반복 가능 항목을 반환해야 합니다.

    매개변수:
    • 응답(Response) - 구문 분석된 응답

크롤러를 통해 로거에 로그 메시지를 전송하고 이전 버전과의 호환성을 유지하는 래퍼입니다. 자세한 내용은 Spider에서 로깅을 참조하세요. log(message[, level, component])

크롤러가 닫힐 때 소환됩니다. 이 메소드는 spider_closed 신호에 대한 signal.connect()에 대한 지름길을 제공합니다. closed(reason)
예를 살펴보겠습니다.

import scrapy


class MySpider(scrapy.Spider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = [
        'http://www.example.com/1.html',
        'http://www.example.com/2.html',
        'http://www.example.com/3.html',
    ]

    def parse(self, response):
        self.logger.info('A response from %s just arrived!', response.url)
로그인 후 복사

단일 콜백에서 여러 요청 및 항목 반환:

import scrapy

class MySpider(scrapy.Spider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = [
        'http://www.example.com/1.html',
        'http://www.example.com/2.html',
        'http://www.example.com/3.html',
    ]

    def parse(self, response):
        for h3 in response.xpath('//h3').extract():
            yield {"title": h3}

        for url in response.xpath('//a/@href').extract():
            yield scrapy.Request(url, callback=self.parse)
로그인 후 복사

start_urls 대신 start_requests()를 직접 사용할 수 있습니다. 더 편리하게 얻을 수 있습니다:

import scrapy
from myproject.items import MyItem

class MySpider(scrapy.Spider):
    name = 'example.com'
    allowed_domains = ['example.com']

    def start_requests(self):
        yield scrapy.Request('http://www.example.com/1.html', self.parse)
        yield scrapy.Request('http://www.example.com/2.html', self.parse)
        yield scrapy.Request('http://www.example.com/3.html', self.parse)

    def parse(self, response):
        for h3 in response.xpath('//h3').extract():
            yield MyItem(title=h3)

        for url in response.xpath('//a/@href').extract():
            yield scrapy.Request(url, callback=self.parse)
로그인 후 복사

스파이더 인수

크롤러는 동작을 수정하는 매개변수를 받을 수 있습니다. 크롤러 매개변수의 일반적인 용도는 시작 URL을 정의하거나 웹사이트의 특정 부분으로 크롤링을 제한하는 것이지만, 크롤러의 모든 기능을 구성하는 데 사용할 수도 있습니다.

Spider 크롤링 매개변수는 -a 옵션을 사용하여 명령을 통해 전달됩니다. 예:

scrapy crawl myspider -a category=electronics크롤러는

init

메소드의 매개변수에 액세스할 수 있습니다.

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'

    def init(self, category=None, *args, **kwargs):
        super(MySpider, self).init(*args, **kwargs)
        self.start_urls = ['http://www.example.com/categories/%s' % category]
        # ...
로그인 후 복사
기본

init

메소드는 다음과 같습니다. 크롤러 매개변수를 가져와 속성으로 크롤러에 복사합니다. 위의 예는 다음과 같이 작성할 수도 있습니다.

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'

    def start_requests(self):
        yield scrapy.Request('http://www.example.com/categories/%s' % self.category)
로그인 후 복사
스파이더 매개변수는 단순한 문자열이라는 점을 기억하세요. 크롤러는 자체적으로 구문 분석을 수행하지 않습니다. 명령줄에서 start_urls 속성을 설정하려면 ast.literal_eval 또는

json

.loads 등을 사용하여 직접 목록으로 구문 분석한 다음 속성으로 설정해야 합니다. 그렇지 않으면 start_urls 문자열(매우 일반적인 Python 트랩)을 반복하게 되어 각 문자가 별도의 URL로 처리됩니다.

有效的用例是设置使用的http验证凭据HttpAuthMiddleware 或用户代理使用的用户代理UserAgentMiddleware:
scrapy crawl myspider -a http_user=myuser -a http_pass=mypassw<a href="http://www.php.cn/wiki/1360.html" target="_blank">ord</a> -a user_agent=mybot

Spider参数也可以通过Scrapyd schedule.jsonAPI 传递。请参阅Scrapyd文档。


通用爬虫

Scrapy附带一些有用的通用爬虫,你可以使用它来子类化你的爬虫。他们的目的是为一些常见的抓取案例提供方便的功能,例如根据某些规则查看网站上的所有链接,从站点地图抓取或解析XML / CSV Feed。

对于在以下爬虫中使用的示例,我们假设您有一个TestItemmyproject.items模块中声明的项目:

import scrapy

class TestItem(scrapy.Item):
    id = scrapy.Field()
    name = scrapy.Field()
    description = scrapy.Field()
로그인 후 복사

抓取爬虫

类 scrapy.spiders.CrawlSpider
这是最常用的爬行常规网站的爬虫,因为它通过定义一组规则为下列链接提供了一种方便的机制。它可能不是最适合您的特定网站或项目,但它是足够通用的几种情况,所以你可以从它开始,根据需要覆盖更多的自定义功能,或只是实现自己的爬虫。

除了从Spider继承的属性(你必须指定),这个类支持一个新的属性:

rules
它是一个(或多个)Rule对象的列表。每个都Rule定义了抓取网站的某种行为。规则对象如下所述。如果多个规则匹配相同的链接,则将根据它们在此属性中定义的顺序使用第一个。

这个爬虫还暴露了可覆盖的方法:

parse_start_url(response)
对于start_urls响应调用此方法。它允许解析初始响应,并且必须返回Item对象,Request对象或包含任何对象的迭代器。

抓取规则

class scrapy.spiders.Rule(link_extractor,callback = None,cb_kwargs = None,follow = None,process_links = None,process_request = None )
link_extractor是一个链接提取程序对象,它定义如何从每个爬网页面提取链接。

callback是一个可调用的或字符串(在这种情况下,将使用具有该名称的爬虫对象的方法),以便为使用指定的link_extractor提取的每个链接调用。这个回调接收一个响应作为其第一个参数,并且必须返回一个包含Item和 Request对象(或它们的任何子类)的列表。

警告
当编写爬网爬虫规则时,避免使用parse作为回调,因为CrawlSpider使用parse方法本身来实现其逻辑。所以如果你重写的parse方法,爬行爬虫将不再工作。

cb_kwargs 是包含要传递给回调函数的关键字参数的dict。

follow是一个布尔值,它指定是否应该从使用此规则提取的每个响应中跟踪链接。如果callbackNone follow默认为True,否则默认为False

process_links是一个可调用的或一个字符串(在这种情况下,将使用具有该名称的爬虫对象的方法),将使用指定从每个响应提取的每个链接列表调用该方法link_extractor。这主要用于过滤目的。

process_request 是一个可调用的或一个字符串(在这种情况下,将使用具有该名称的爬虫对象的方法),它将被此规则提取的每个请求调用,并且必须返回一个请求或无(过滤出请求) 。

抓取爬虫示例

现在让我们来看一个CrawlSpider的例子:

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor

class MySpider(CrawlSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com']

    rules = (
        # Extract links matching 'category.php' (but not matching 'subsection.php')
        # and follow links from them (since no callback means follow=True by default).
        Rule(LinkExtractor(allow=('category\.php', ), deny=('subsection\.php', ))),

        # Extract links matching 'item.php' and parse them with the spider's method parse_item
        Rule(LinkExtractor(allow=('item\.php', )), callback='parse_item'),
    )

    def parse_item(self, response):
        self.logger.info('Hi, this is an item page! %s', response.url)
        item = scrapy.Item()
        item['id'] = response.xpath('//td[@id="item_id"]/text()').re(r'ID: (\d+)')
        item['name'] = response.xpath('//td[@id="item_name"]/text()').extract()
        item['description'] = response.xpath('//td[@id="item_description"]/text()').extract()
        return item
로그인 후 복사

这个爬虫会开始抓取example.com的主页,收集类别链接和项链接,用parse_item方法解析后者。对于每个项目响应,将使用XPath从HTML中提取一些数据,并将Item使用它填充。

XMLFeedSpider

class scrapy.spiders.XMLFeedSpider
XMLFeedSpider设计用于通过以特定节点名称迭代XML订阅源来解析XML订阅源。迭代器可以选自:iternodes,xml和html。iternodes为了性能原因,建议使用迭代器,因为xml和迭代器html一次生成整个DOM为了解析它。但是,html当使用坏标记解析XML时,使用作为迭代器可能很有用。

要设置迭代器和标记名称,必须定义以下类属性:

  • iterator
    定义要使用的迭代器的字符串。它可以是:

    • 'iternodes' - 基于正则表达式的快速迭代器

    • 'html'- 使用的迭代器Selector。请记住,这使用DOM解析,并且必须加载所有DOM在内存中,这可能是一个大饲料的问题

    • 'xml'- 使用的迭代器Selector。请记住,这使用DOM解析,并且必须加载所有DOM在内存中,这可能是一个大饲料的问题
      它默认为:'iternodes'

itertag
一个具有要迭代的节点(或元素)的名称的字符串。示例:
itertag = 'product'

namespaces
定义该文档中将使用此爬虫处理的命名空间的元组列表。在 与将用于自动注册使用的命名空间 的方法。(prefix, uri)prefixuriregister_namespace()

然后,您可以在属性中指定具有命名空间的itertag 节点。

例:

class YourSpider(XMLFeedSpider):

    namespaces = [('n', 'http://www.sitemaps.org/schemas/sitemap/0.9')]
    itertag = 'n:url'
    # ...
로그인 후 복사

除了这些新的属性,这个爬虫也有以下可重写的方法:

adapt_response(response)
一种在爬虫开始解析响应之前,在响应从爬虫中间件到达时立即接收的方法。它可以用于在解析之前修改响应主体。此方法接收响应并返回响应(它可以是相同的或另一个)。

parse_node(response, selector)
对于与提供的标记名称(itertag)匹配的节点,将调用此方法。接收Selector每个节点的响应和 。覆盖此方法是必需的。否则,你的爬虫将不工作。此方法必须返回一个Item对象,一个 Request对象或包含任何对象的迭代器。

process_results(response, results)
对于由爬虫返回的每个结果(Items or Requests),将调用此方法,并且它将在将结果返回到框架核心之前执行所需的任何最后处理,例如设置项目ID。它接收结果列表和产生那些结果的响应。它必须返回结果列表(Items or Requests)。

XMLFeedSpider示例

这些爬虫很容易使用,让我们看一个例子:

from scrapy.spiders import XMLFeedSpider
from myproject.items import TestItem

class MySpider(XMLFeedSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/feed.xml']
    iterator = 'iternodes'  # This is actually unnecessary, since it's the default value
    itertag = 'item'

    def parse_node(self, response, node):
        self.logger.info('Hi, this is a <%s> node!: %s', self.itertag, ''.join(node.extract()))

        item = TestItem()
        item['id'] = node.xpath('@id').extract()
        item['name'] = node.xpath('name').extract()
        item['description'] = node.xpath('description').extract()
        return item
로그인 후 복사

基本上我们做的是创建一个爬虫,从给定的下载一个start_urls,然后遍历每个item标签,打印出来,并存储一些随机数据Item。

CSVFeedSpider

class scrapy.spiders.CSVF
这个爬虫非常类似于XMLFeedSpider,除了它迭代行,而不是节点。在每次迭代中调用的方法是parse_row()。

delimiter
CSV文件中每个字段的带分隔符的字符串默认为','(逗号)。

quotechar
CSV文件中每个字段的包含字符的字符串默认为'"'(引号)。

<a href="http://www.php.cn/html/html-HEAD-2.html" target="_blank">head</a>ers
文件CSV Feed中包含的行的列表,用于从中提取字段。

parse_row(response, row)
使用CSV文件的每个提供(或检测到)标头的键接收响应和dict(表示每行)。这个爬虫还给予机会重写adapt_response和process_results方法的前和后处理的目的。

CSVFeedSpider示例

让我们看一个类似于前一个例子,但使用 CSVFeedSpider:

from scrapy.spiders import CSVFeedSpider
from myproject.items import TestItem

class MySpider(CSVFeedSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/feed.csv']
    delimiter = ';'
    quotechar = "'"
    headers = ['id', 'name', 'description']

    def parse_row(self, response, row):
        self.logger.info('Hi, this is a row!: %r', row)

        item = TestItem()
        item['id'] = row['id']
        item['name'] = row['name']
        item['description'] = row['description']
        return item
로그인 후 복사

SitemapSpider

class scrapy.spiders.SitemapSpider
SitemapSpider允许您通过使用Sitemaps发现网址来抓取网站。

它支持嵌套Sitemap和从robots.txt发现Sitemap网址 。

sitemap_urls
指向您要抓取的网址的网站的网址列表。

您还可以指向robots.txt,它会解析为从中提取Sitemap网址。

sitemap_rules
元组列表其中:(regex, callback)

  • regex是与从Sitemap中提取的网址相匹配的正则表达式。 regex可以是一个str或一个编译的正则表达式对象

  • callback是用于处理与正则表达式匹配的url的回调。callback可以是字符串(指示蜘蛛方法的名称)或可调用的。

例如:
sitemap_rules = [('/product/', 'parse_product')]

规则按顺序应用,只有匹配的第一个将被使用。
如果省略此属性,则会在parse回调中处理在站点地图中找到的所有网址。

sitemap_follow
应遵循的网站地图的正则表达式列表。这只适用于使用指向其他Sitemap文件的Sitemap索引文件的网站。

默认情况下,将跟踪所有网站地图。

sitemap_alternate_links
指定是否url应遵循一个备用链接。这些是在同一个url块中传递的另一种语言的同一网站的链接。

例如:

<url>
    <loc>http://example.com/</loc>
    <xhtml:link rel="alternate" hreflang="de" href="http://example.com/de"/>
</url>
로그인 후 복사

使用sitemap_alternate_linksset,这将检索两个URL。随着 sitemap_alternate_links禁用,只有http://example.com/将进行检索。

默认为sitemap_alternate_links禁用。

SitemapSpider示例

最简单的示例:使用parse回调处理通过站点地图发现的所有网址 :

from scrapy.spiders import SitemapSpider

class MySpider(SitemapSpider):
    sitemap_urls = ['http://www.example.com/sitemap.xml']

    def parse(self, response):
        pass # ... scrape item here ...
로그인 후 복사

使用某个回调处理一些网址,并使用不同的回调处理其他网址:

from scrapy.spiders import SitemapSpider

class MySpider(SitemapSpider):
    sitemap_urls = ['http://www.example.com/sitemap.xml']
    sitemap_rules = [
        ('/product/', 'parse_product'),
        ('/category/', 'parse_category'),
    ]

    def parse_product(self, response):
        pass # ... scrape product ...

    def parse_category(self, response):
        pass # ... scrape category ...
로그인 후 복사

关注robots.txt文件中定义的sitemaps,并且只跟踪其网址包含/sitemap_shop以下内容的Sitemap :

from scrapy.spiders import SitemapSpider

class MySpider(SitemapSpider):
    sitemap_urls = ['http://www.example.com/robots.txt']
    sitemap_rules = [
        ('/shop/', 'parse_shop'),
    ]
    sitemap_follow = ['/sitemap_shops']

    def parse_shop(self, response):
        pass # ... scrape shop here ...
로그인 후 복사

将SitemapSpider与其他来源网址结合使用:

from scrapy.spiders import SitemapSpider

class MySpider(SitemapSpider):
    sitemap_urls = ['http://www.example.com/robots.txt']
    sitemap_rules = [
        ('/shop/', 'parse_shop'),
    ]

    other_urls = ['http://www.example.com/about']

    def start_requests(self):
        requests = list(super(MySpider, self).start_requests())
        requests += [scrapy.Request(x, self.parse_other) for x in self.other_urls]
        return requests

    def parse_shop(self, response):
        pass # ... scrape shop here ...

    def parse_other(self, response):
        pass # ... scrape other here ...
로그인 후 복사

       

위 내용은 Scrapy 크롤러 입문 튜토리얼 4 Spider(크롤러)의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

관련 라벨:
원천:php.cn
본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.
인기 튜토리얼
더>
최신 다운로드
더>
웹 효과
웹사이트 소스 코드
웹사이트 자료
프론트엔드 템플릿
회사 소개 부인 성명 Sitemap
PHP 중국어 웹사이트:공공복지 온라인 PHP 교육,PHP 학습자의 빠른 성장을 도와주세요!