Python Scrapy module を使用して、WebサイトからすべてのURLを取得し、リストをファイルに書き込みたいです。例を調べましたが、表示されませんでした。これを行うための簡単な例。
これが私のために働いたpythonプログラムです:
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)
これをspider.py
というファイルに保存します。
次に、シェルパイプラインを使用して、このテキストを後処理できます。
bash$ scrapy runspider spider.py > urls.out
bash$ cat urls.out| grep 'example.com' |sort |uniq |grep -v '#' |grep -v 'mailto' > example.urls
これにより、私のサイトにあるすべての一意のURLのリストが表示されます。
よりクリーンな(そしておそらくもっと便利な)何かが使用されているでしょう LinkExtractor
from scrapy.linkextractors import LinkExtractor
def parse(self, response):
le = LinkExtractor() # empty for getting everything, check different options on documentation
for link in le.extract_links(response):
yield Request(link.url, callback=self.parse)