web-dev-qa-db-ja.com

クロール中にstart_urlsを動的に生成するにはどうすればよいですか？

次のようなstart_urlsがたくさん含まれている可能性のあるサイトをクロールしています。

http://www.a.com/list_1_2_3.htm

start_urlsのように[list_\d+_\d+_\d+\.htm]にデータを入力し、クロール中に[node_\d+\.htm]のようなURLからアイテムを抽出したいと思います。

CrawlSpiderを使用してこの機能を実現できますか？また、クロール中にstart_urlsを動的に生成するにはどうすればよいですか？

web-scrapingscrapyweb-crawler
24
user1215269

URLを動的に生成する最良の方法は、スパイダーの start_requests メソッドをオーバーライドすることです。

from scrapy.http.request import Request

def start_requests(self):
      with open('urls.txt', 'rb') as urls:
          for url in urls:
              yield Request(url, self.parse)
43
juraseg

2つの質問があります：

1）はい、ルールを使用してこの機能を実現できます。

_rules =(Rule(SgmlLinkExtractor(allow = ('node_\d+.htm')) ,callback = 'parse'))
_

推奨読書

2）はい、start_urlsを動的に生成できます。start_urlsは

リスト

例：>>> start_urls = ['http://www.a.com/%d_%d_%d' %(n,n+1,n+2) for n in range(0, 26)]

_>>> start_urls

['http://www.a.com/0_1_2', 'http://www.a.com/1_2_3', 'http://www.a.com/2_3_4', 'http://www.a.com/3_4_5', 'http://www.a.com/4_5_6', 'http://www.a.com/5_6_7',  'http://www.a.com/6_7_8', 'http://www.a.com/7_8_9', 'http://www.a.com/8_9_10','http://www.a.com/9_10_11', 'http://www.a.com/10_11_12', 'http://www.a.com/11_12_13', 'http://www.a.com/12_13_14', 'http://www.a.com/13_14_15', 'http://www.a.com/14_15_16', 'http://www.a.com/15_16_17', 'http://www.a.com/16_17_18', 'http://www.a.com/17_18_19', 'http://www.a.com/18_19_20', 'http://www.a.com/19_20_21', 'http://www.a.com/20_21_22', 'http://www.a.com/21_22_23', 'http://www.a.com/22_23_24', 'http://www.a.com/23_24_25', 'http://www.a.com/24_25_26', 'http://www.a.com/25_26_27']
_
15
akhter wahab