python - 递归地浏览和抓取网页

Question

如何使用scrapy python库制作以下爬虫，递归地浏览整个网站:

class DmozSpider(BaseSpider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/"
    ]

def parse(self, response):

    hxs = HtmlXPathSelector(response)

    titles = hxs.select('//ul[@class="directory-url"]/li/a/text()').extract()

    for t in titles:
        print "Title: ", t

我在单个页面上尝试过此操作:

start_urls = [
    "http://www.dmoz.org/Society/Philosophy/Academic_Departments/Africa/"
]

它运行良好，但仅返回起始网址的结果，并且不跟踪域内的链接。 我想这必须使用 Scrapy 手动完成，但不知道如何操作。

Answer 1

尝试使用 CrawlSpider(请参阅 documentation )，以及单个 Rule() 和仅在域上进行过滤的 LinkExtractor您想要的(s):

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

class DmozSpider(CrawlSpider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/"
    ]

    rules = (
        Rule(
            SgmlLinkExtractor(allow_domains=("dmoz.org",)),
            callback='parse_page', follow=True
        ),
    )

    def parse_page(self, response):
        hxs = HtmlXPathSelector(response)
        titles = hxs.select('//ul[@class="directory-url"]/li/a/text()').extract()
        for t in titles:
            print "Title: ", t

回调必须以 parse 以外的其他名称调用(请参阅 this warning )