- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
Stackoverflow 社区您好
我有以下问题:
我正在尝试抓取一长串网站。 start_url 列表中的一些网站重定向 (301)。我希望 scrapy 从 start_url 列表中抓取重定向的网站,就好像它们也在 allowed_domain 列表中一样(但它们不是)。例如,example.com 位于我的 start_url 列表中,并允许域列表和 example.com 重定向到 foo.com。我想抓取 foo.com。
DEBUG: Redirecting (301) to <GET http://www.foo.com/> from <GET http://www.example.com>
我注意到以下回复 Scrapy Crawl all websites in start_url even if redirect通过修改OffsiteMiddleware提供了解决方案。我理解这部分,但我不确定 parse_start_url 是如何被覆盖的。这是我到目前为止的代码:
import scrapy
import urllib.request
import urllib.parse
import json
from placementarchitect import bingapi
import tldextract
from spiderproject.items import DmozItem
from scrapy.crawler import CrawlerProcess
class GoodSpider(scrapy.Spider):
name = "goodoldSpider"
def __init__(self, input=None):
self.searchterm = input
self.urlstocrawl = bingapi.get_crawl_urls(self.searchterm) # This returns a list of crawlable sites from the BingSearchAPI
self.start_urls = self.urlstocrawl
self.allowed_domains = []
def parse_start_url(self, response):
domain = tldextract.extract(str(response.request.url)).registered_domain
if domain not in self.allowed_domains:
self.allowed_domains.append(domain)
else:
return self.parse(response)
def parse(self, response):
for href in response.xpath("//a/@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('//div[attribute::class="cat-item"]'):
item = DmozItem()
item['title'] = sel.xpath('a/div/text()').extract()
item['link'] = sel.xpath('a/@href').extract()
item['desc'] = sel.xpath('text()').extract()
yield item
next_page = response.css(".cat-item>a::attr('href')")
if next_page:
url = response.urljoin(next_page[0].extract())
yield scrapy.Request(url, self.parse_dir_contents)
process = CrawlerProcess({
'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
})
process.crawl(GoodSpider, input='"good news"')
process.start() # the script will block here until the crawling is finished
scrapy 文档在 parse_start_url 上很少,所以我不确定这是如何实现的。因此我的解决方案似乎不起作用。
恐怕这是由于如何
def parse_start_url()
已实现。
如有任何建议,我们将不胜感激。
迈克
最佳答案
好吧,我明白了。实际上没有必要:
def parse_start_url(...)
相反,我将之前在 def parse_start_url(...) 下的代码集成到蜘蛛的主要 def parse 函数中:
import scrapy
import urllib.request
import urllib.parse
import json
from placementarchitect import bingapi
import tldextract
from spiderproject.items import DmozItem
from scrapy.crawler import CrawlerProcess
class GoodSpider(scrapy.Spider):
name = "goodoldSpider"
def __init__(self, input=None):
self.searchterm = input
self.urlstocrawl = bingapi.get_crawl_urls(self.searchterm) # This returns a list of crawlable sites from the BingSearchAPI
self.start_urls = self.urlstocrawl
self.allowed_domains = []
print("TEST >>> In Searchscraper.py: " + str(self.urlstocrawl))
## Commented this part out as it is not required anymore - code was integrated into def parse(..) below
# def parse_start_url(self, response):
# domain = tldextract.extract(str(response.request.url)).registered_domain
# print(domain)
# if domain not in self.allowed_domains:
# self.allowed_domains.append(domain)
# return self.parse(response.url, callback=self.parse)
def parse(self, response):
domain = tldextract.extract(str(response.request.url)).registered_domain
print(domain)
if domain not in self.allowed_domains:
self.allowed_domains.append(domain)
for href in response.xpath("//a/@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('//div[attribute::class="cat-item"]'):
item = DmozItem()
item['title'] = sel.xpath('a/div/text()').extract()
item['link'] = sel.xpath('a/@href').extract()
item['desc'] = sel.xpath('text()').extract()
yield item
next_page = response.css(".cat-item>a::attr('href')")
if next_page:
url = response.urljoin(next_page[0].extract())
yield scrapy.Request(url, self.parse_dir_contents)
process = CrawlerProcess({
'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
})
process.crawl(GoodSpider, input='"good news"')
process.start() # the script will block here until the crawling is finished
此解决方案动态地将我们的初始 start_url 重定向到 allowed_domains 列表的域添加。
这意味着所有其他域将按如下方式进行过滤:
[scrapy] DEBUG: Filtered offsite request to 'www.pinterest.com': <GET http://www.pinterest.com/goodnewsnetwork/>
关于python - Scrapy - 通过动态添加 allowed_urls 来克服 start_uri 重定向 - parse_start_url 问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38162214/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!