Scrapy-解析页面以提取项目-然后关注并存储项目url内容

Question

我对如何抓紧地做这件事有一个疑问。我有一个蜘蛛，可以爬行以列出项目页面。每次找到带有项目的列表页面时，都会调用parse_item（）回调，以提取项目数据并产生项目。到目前为止，一切都很好。

但是，除了其他数据外，每个项目都有一个网址，其中包含有关该项目的更多详细信息。我想跟随该URL并将获取的该项目URL的内容存储在另一个项目字段（url_contents）中。

而且我不确定如何组织代码来实现这一点，因为两个链接（列表链接和一个特定项目链接）的遵循方式不同，在不同时间调用了回调，但是我必须在同一项目处理中将它们关联起来。

到目前为止，我的代码如下所示：

class MySpider(CrawlSpider):
    name = "example.com"
    allowed_domains = ["example.com"]
    start_urls = [
        "http://www.example.com/?q=example",
    ]

    rules = (
        Rule(SgmlLinkExtractor(allow=('example\.com', 'start='), deny=('sort='), restrict_xpaths = '//div[@class="pagination"]'), callback='parse_item'),
        Rule(SgmlLinkExtractor(allow=('item\/detail', )), follow = False),
    )


    def parse_item(self, response):
        main_selector = HtmlXPathSelector(response)
        xpath = '//h2[@class="title"]'

        sub_selectors = main_selector.select(xpath)

        for sel in sub_selectors:
            item = ExampleItem()
            l = ExampleLoader(item = item, selector = sel)
            l.add_xpath('title', 'a[@title]/@title')
            ......
            yield l.load_item()

Answer 1

经过测试和思考，我找到了适合我的解决方案。想法是仅使用第一个规则，该规则为你提供项目列表，并且非常重要的是，在该规则中添加follow = True。

并且在parse_item（）中，你必须产生一个请求而不是一个项目，但是要在加载该项目之后。要求是物品详细网址。并且你必须将加载的项目发送到该请求回调。你可以使用响应来完成工作，并且可以在其中生成项目。

因此parse_item（）的完成将如下所示：

itemloaded = l.load_item()

# fill url contents
url = sel.select(item_url_xpath).extract()[0]
request = Request(url, callback = lambda r: self.parse_url_contents(r))
request.meta['item'] = itemloaded

yield request

然后parse_url_contents（）将如下所示：

def parse_url_contents(self, response):
    item = response.request.meta['item']
    item['url_contents'] = response.body
    yield item

如果有人采用另一种（更好）的方法，请告诉我们。