我有一个问题,我想解析一个网站并从中抓取每篇文章的链接,但问题是 Scrapy 不要抓取所有链接并随机抓取其中一些链接。
import scrapy
from tutorial.items import GouvItem
class GouvSpider(scrapy.Spider):
name = "gouv"
allowed_domains = ["legifrance.gouv.fr"]
start_urls = [
"http://www.legifrance.gouv.fr/affichCode.do?cidTexte=LEGITEXT000006069577&dateTexte=20160128"
]
def parse(self, response):
for href in response.xpath('//span/a/@href'):
url = response.urljoin(href.extract())
yield scrapy.Request(url, callback=self.parse_article)
def parse_article(self, response):
for art in response.xpath("//div[@class='corpsArt']"):
item = GouvItem()
item['article'] = art.xpath('p/text()').extract()
yield item
#And this is the GouvItem :
import scrapy
class GouvItem(scrapy.Item):
title1 = scrapy.Field()
title2 = scrapy.Field()
title3 = scrapy.Field()
title4 = scrapy.Field()
title5 = scrapy.Field()
title6 = scrapy.Field()
link = scrapy.Field()
article = scrapy.Field()
这是json文件的一些行,我们可以看到一些文章丢失而其他文章在那里,但很多时候
问题是法律的每一条都应该存在,而且只有一次。在网站上,每篇文章只出现时间。
多谢!
指向网站子页面的链接包含一个会话 ID。看起来请求的响应考虑了该会话ID,其方式不适用于发送多个并发请求。
解决此问题的一种方法是将settings.py
中的CONCERRENT_REQUESTS
数设置为 1 。当然,使用此设置,抓取需要更长的时间。
另一种方法是使用列表手动控制请求。在 SO 上看到这个答案。
要防止结果为空,请使用相对XPath
(尾随点)并提取所有文本:
item['article'] = art.xpath('.//text()').extract()
希望这有帮助。