Scrapy - Seguindo Links

Descrição

Neste capítulo, estudaremos como extrair os links das páginas de nosso interesse, segui-los e extrair os dados daquela página. Para isso, precisamos fazer as seguintes alterações em nosso código anterior, mostrado a seguir -

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

O código acima contém os seguintes métodos -

  • parse() - Extrairá os links de nosso interesse.

  • response.urljoin - O método parse () usará esse método para construir um novo url e fornecer uma nova solicitação, que será enviada posteriormente para retorno de chamada.

  • parse_dir_contents() - Este é um retorno de chamada que irá raspar os dados de interesse.

Aqui, o Scrapy usa um mecanismo de retorno de chamada para seguir os links. Usando esse mecanismo, o rastreador maior pode ser projetado e pode seguir links de interesse para extrair os dados desejados de páginas diferentes. O método regular será o método de retorno de chamada, que extrairá os itens, procurará links para seguir a próxima página e, em seguida, fornecerá uma solicitação para o mesmo retorno de chamada.

O exemplo a seguir produz um loop, que seguirá os links para a próxima página.

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)