crawlSpider 似乎不遵守规则

Question

这是我的代码。实际上我是按照“Recursively Scraping Web Pages With Scrapy”中的例子做的，看起来我在某处包含了一个错误。

有人可以帮我找到吗？这让我发疯，我只想要所有结果页面的所有结果。相反，它给了我第 1 页的结果。

这是我的代码：

import scrapy

from scrapy.selector import Selector
from scrapy.spiders import CrawlSpider, Rule
from scrapy.http.request import Request
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor

from githubScrape.items import GithubscrapeItem


class GithubSpider(CrawlSpider):
    name = "github2"
    allowed_domains = ["github.com"]

    rules = (
        Rule(SgmlLinkExtractor(allow=(), restrict_xpaths=('//*[contains(@class, "next_page")]')), callback='parse_items', follow=True),
    )

    def start_requests(self):

        baseURL = 'https://github.com/search?utf8=%E2%9C%93&q=eagle+SYSTEM+extension%3Asch+size%3A'
        for i in range(10000, 20000, +5000):
            url = baseURL+str(i+1)+".."+str(i+5000)+'&type=Code&ref=searchresults'
            print "URL:",url
            yield Request(url, callback=self.parse_items)


    def parse_items(self, response):

        hxs = Selector(response)
        resultParagraphs = hxs.xpath('//div[contains(@id,"code_search_results")]//p[contains(@class, "title")]')

        items = []
        for p in resultParagraphs:
            hrefs = p.xpath('a/@href').extract()
            projectURL = hrefs[0]
            schemeURL = hrefs[1]
            lastIndexedOn = p.xpath('.//span/time/@datetime').extract()

            i = GithubscrapeItem()
            i['counter'] = self.count
            i['projectURL'] = projectURL
            i['schemeURL'] = schemeURL
            i['lastIndexedOn'] = lastIndexedOn
            items.append(i)
        return(items)

Answer 1

我在你通过的 link 上没有找到你的代码，但我认为问题是你从不使用规则。

Scrapy通过调用start_requests方法开始爬取，但是规则是在parse方法上编译和使用的，你没有使用，因为你的请求直接来自start_requests到 parse_items.

如果您希望在该级别应用规则，您可以删除 start_requests 方法上的 callback。

crawlSpider 似乎不遵守规则

crawlSpider seems not to follow rule

web-crawler

scrapy

web-scraping

python-2.7

scrapy-spider