我正试图用Scrapy 2.4抓取一个已定义的URL列表,其中每个URL最多可以有5个我想要遵循的分页URL。
现在系统也工作了,我确实有一个额外的请求,我想摆脱:
这些页面完全相同,但有不同的URL:
example.html
example.thml?pn=1
在我的代码中的某个地方,我做了这个额外的请求,但我不知道如何超按它。
这是工作代码:
定义一堆要抓取的URL:
start_urls = [
'https://example...',
'https://example2...',
]
开始请求所有启动URL;
def start_requests(self):
for url in self.start_urls:
yield scrapy.Request(
url = url,
callback=self.parse,
)
解析起始URL:
def parse(self, response):
url = response.url + '&pn='+str(1)
yield scrapy.Request(url, self.parse_item, cb_kwargs=dict(pn=1, base_url=response.url))
从起始URL获取所有分页的URL;
def parse_item(self, response, pn, base_url):
self.logger.info('Parsing %s', response.url)
if pn < 6: # maximum level 5
url = base_url + '&pn='+str(pn+1)
yield scrapy.Request(url, self.parse_item, cb_kwargs=dict(base_url=base_url,pn=pn+1))
如果我理解你的问题是正确的,你只需要更改以开始?pn=1并忽略没有pn=null的那个,这里有一个选项,我将如何做到这一点,它也只需要一个解析方法。
start_urls = [
'https://example...',
'https://example2...',
]
def start_requests(self):
for url in self.start_urls:
#how many pages to crawl
for i in range(1,6):
yield scrapy.Request(
url=url + f'&pn={str(i)}'
)
def parse(self, response):
self.logger.info('Parsing %s', response.url)