python - 为什么我的 linkExtractor 在 scrapy spider 中无法抓取允许的链接？

Question

我创建了一个简单的蜘蛛来抓取 disneyfoodblog.com 帖子并返回帖子标题和帖子永久链接。

我的项目没有显示任何错误。调试输出(见下文)显示所有起始链接都已访问，但这些页面上的链接没有被抓取。起始页是存放每天帖子的页面。从那里，我试图抓取实际的帖子。

• 这是一个起始链接的例子:http://www.disneyfoodblog.com/2014/12/31/
• 这是一个帖子:http://www.disneyfoodblog.com/2014/12/31/photo-tour-and-review-new-polynesian-village-resort-lobby-and-tiramisu-cupcake-at-captain-cooks-in-disneys-polynesian-village-resort/

我的爬虫代码:

import datetime

import scrapy
from scrapy.contrib.spiders import CrawlSpider, Rule 
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy import log

from dfbScrape.items import *


class dfbSpider(CrawlSpider):
    name="dfb"
    base="http://disneyfoodblog.com/"
    allowed_domains=[base]

    start_urls=[]
    startDate=datetime.date(2014,6,1)
    endDate=datetime.date.today()
    while startDate<endDate:
        start_urls.append(base+str(startDate.year)+"/"+startDate.strftime("%m")+"/"+startDate.strftime("%d")+"/")
        startDate+=datetime.timedelta(days=1)

    rules = [Rule(SgmlLinkExtractor(allow=["\d+/\d+/\d+/.+/"]), callback='parse_item')]

    def parse_item(self, response):
        self.log('Hi, this is an item page! %s' % response.url)
        item =DfbscrapeItem()
        item['title']=response.xpath('/html/body/div[3]/div[3]/div/div/main/article/header/h1').extract()
        item['link']=response.url
        print "t: %s l: %s" % (item['title'],item['link'])
        return item

可以在 pastebin 上查看调试输出.

让我知道我是否应该在此处包含实际输出。我没有，因为它差不多有 800 行长。

我唯一的想法是恕我直言，这不是一个很好的想法。这可能是已弃用的链接提取器的问题。我在 lxml 上选择了这个，因为我没有发现使用 lxml 的示例，而且有很多使用旧的示例。即使您无法回答我的问题，也非常感谢 lxml 的优势和示例。一如既往地欢迎建设性的批评和编辑。请询问您需要的任何其他信息。

Answer 1

如果您更仔细地查看输出，您会看到“已过滤的异地请求”消息:

2015-06-07 10:00:01-0500 [dfb] DEBUG: Filtered offsite request to 'www.disneyfoodblog.com': http://www.disneyfoodblog.com/2013/03/26/best-disney-world-restaurants-for-first-time-disney-visitors/>

这意味着“链接提取器”完成了它的工作。

但是，您的allowed_domains 设置未正确定义，应定义为:

allowed_domains = ["www.disneyfoodblog.com"]

(为我工作)。