web-crawler - 在scrapy中动态start_urls

Question

我正在使用scrapy 来抓取站点上的多个页面。
变量 start_urls用于定义要抓取的页面。
我最初会从第一页开始，从而定义 start_urls = [1st page]在文件中 example_spider.py
从第一页获取更多信息后，我将确定要抓取的下一页是什么，然后分配 start_urls相应地。因此，我必须通过更改 start_urls = [1st page, 2nd page, ..., Kth page] 来覆盖上面的 example_spider.py ，然后再次运行scrapy crawl。

这是最好的方法还是有更好的方法来动态分配 start_urls使用scrapy API 而不必覆盖example_splider.py ?
谢谢。

Answer 1

start_urls class 属性包含起始 url - 仅此而已。如果您提取了要抓取的其他页面的网址 - 从 parse 产生使用 [another] 回调回调对应的请求:

class Spider(BaseSpider):

    name = 'my_spider'
    start_urls = [
                'http://www.domain.com/'
    ]
    allowed_domains = ['domain.com']

    def parse(self, response):
        '''Parse main page and extract categories links.'''
        hxs = HtmlXPathSelector(response)
        urls = hxs.select("//*[@id='tSubmenuContent']/a[position()>1]/@href").extract()
        for url in urls:
            url = urlparse.urljoin(response.url, url)
            self.log('Found category url: %s' % url)
            yield Request(url, callback = self.parseCategory)

    def parseCategory(self, response):
        '''Parse category page and extract links of the items.'''
        hxs = HtmlXPathSelector(response)
        links = hxs.select("//*[@id='_list']//td[@class='tListDesc']/a/@href").extract()
        for link in links:
            itemLink = urlparse.urljoin(response.url, link)
            self.log('Found item link: %s' % itemLink, log.DEBUG)
            yield Request(itemLink, callback = self.parseItem)

    def parseItem(self, response):
        ...

如果您仍想自定义启动请求创建，请覆盖方法 BaseSpider.start_requests()