我想使用 Python Scrapy module从我的网站上抓取所有 URL 并将列表写入文件。我查看了示例,但没有看到任何简单的示例。
最佳答案
这是对我有用的 python 程序:
from scrapy.selector import HtmlXPathSelector
from scrapy.spider import BaseSpider
from scrapy.http import Request
DOMAIN = 'example.com'
URL = 'http://%s' % DOMAIN
class MySpider(BaseSpider):
name = DOMAIN
allowed_domains = [DOMAIN]
start_urls = [
URL
]
def parse(self, response):
hxs = HtmlXPathSelector(response)
for url in hxs.select('//a/@href').extract():
if not ( url.startswith('http://') or url.startswith('https://') ):
url= URL + url
print url
yield Request(url, callback=self.parse)
将其保存在一个名为 spider.py
的文件中。
然后您可以使用 shell 管道对该文本进行后期处理:
bash$ scrapy runspider spider.py > urls.out
bash$ cat urls.out| grep 'example.com' |sort |uniq |grep -v '#' |grep -v 'mailto' > example.urls
这为我提供了我网站中所有唯一网址的列表。
关于python - 如何使用 Python Scrapy 模块列出我网站上的所有 URL?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/9561020/