我正在使用 scrapy 来抓取多语言网站。对于每个对象,存在三种不同语言的版本。我使用搜索作为起点。不幸的是,搜索包含各种语言的 URL,这会导致解析时出现问题。
因此,我想在发送 URL 之前对其进行预处理。如果它们包含特定字符串,我想替换 URL 的那部分。
我的蜘蛛扩展了 CrawlSpider
。我查看了文档并找到了 make_request_from _url(url)
方法,这导致了这次尝试:
def make_requests_from_url(self, url):
"""
Override the original function go make sure only german URLs are
being used. If french or italian URLs are detected, they're
rewritten.
"""
if '/f/suche' in url:
self.log('French URL was rewritten: %s' % url)
url = url.replace('/f/suche/pages/', '/d/suche/seiten/')
elif '/i/suche' in url:
self.log('Italian URL was rewritten: %s' % url)
url = url.replace('/i/suche/pagine/', '/d/suche/seiten/')
return super(MyMultilingualSpider, self).make_requests_from_url(url)
但由于某些原因,这不起作用。在请求之前重写 URL 的最佳方法是什么?也许通过规则回调?
最佳答案
可能没有什么值(value)的例子,因为我花了大约 30 分钟才弄明白:
rules = [
Rule(SgmlLinkExtractor(allow = (all_subdomains,)), callback='parse_item', process_links='process_links')
]
def process_links(self,links):
for link in links:
link.url = "something_to_prepend%ssomething_to_append" % link.url
return links
关于python - 在发送请求之前重写 scrapy URL,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/19106294/