Scrapy - Seguire collegamenti

Descrizione

In questo capitolo studieremo come estrarre i link delle pagine di nostro interesse, seguirli ed estrarre dati da quella pagina. Per questo, dobbiamo apportare le seguenti modifiche nel nostro codice precedente mostrato come segue:

import scrapy
from tutorial.items import DmozItem

class MyprojectSpider(scrapy.Spider):
   name = "project"
   allowed_domains = ["dmoz.org"]
   
   start_urls = [
      "http://www.dmoz.org/Computers/Programming/Languages/Python/",
   ]
   def parse(self, response):
      for href in response.css("ul.directory.dir-col > li > a::attr('href')"):
         url = response.urljoin(href.extract())
            yield scrapy.Request(url, callback = self.parse_dir_contents)

   def parse_dir_contents(self, response):
      for sel in response.xpath('//ul/li'):
         item = DmozItem()
         item['title'] = sel.xpath('a/text()').extract()
         item['link'] = sel.xpath('a/@href').extract()
         item['desc'] = sel.xpath('text()').extract()
         yield item

Il codice sopra contiene i seguenti metodi:

  • parse() - Estrarrà i link di nostro interesse.

  • response.urljoin - Il metodo parse () utilizzerà questo metodo per creare un nuovo URL e fornire una nuova richiesta, che verrà inviata successivamente al callback.

  • parse_dir_contents() - Questa è una richiamata che effettivamente rascherà i dati di interesse.

Qui, Scrapy utilizza un meccanismo di callback per seguire i collegamenti. Utilizzando questo meccanismo, è possibile progettare il crawler più grande e seguire i collegamenti di interesse per estrarre i dati desiderati da pagine diverse. Il metodo normale sarà il metodo di richiamata, che estrarrà gli elementi, cercherà i collegamenti per seguire la pagina successiva e quindi fornirà una richiesta per la stessa richiamata.

L'esempio seguente produce un ciclo, che seguirà i collegamenti alla pagina successiva.

def parse_articles_follow_next_page(self, response):
   for article in response.xpath("//article"):
      item = ArticleItem()
    
      ... extract article data here

      yield item

   next_page = response.css("ul.navigation > li.next-page > a::attr('href')")
   if next_page:
      url = response.urljoin(next_page[0].extract())
      yield scrapy.Request(url, self.parse_articles_follow_next_page)