python – Scrapy：存储所有外部链接并抓取所有内部链接

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – Scrapy：存储所有外部链接并抓取所有内部链接，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1786字，纯文字阅读大概需要3分钟。

内容图文

我一直在研究一个scrapy web scraper,它从一个开始URL抓取所有内部链接,只收集scrapy的外部链接.但是,我的主要问题是对外部链接和内部链接进行分类.例如,当我尝试使用link.startswith(“http”)或link.startswith(“ftp”)或link.startswith(“www”)过滤外部链接时,如果网站使用绝对路径链接其自己的网站(www.my-domain.com/about而不是/ about)然后,它会将其归类为外部链接,即使它不是.以下是我的代码：

import scrapy
from lab_relationship.items import Links

class WebSpider(scrapy.Spider):
    name = "web"
    allowed_domains = ["my-domain.com"]
    start_urls = (
        'www.my-domain.com',
    )

    def parse(self, response):
        """ finds all external links"""
        items = []
        for link in set(response.xpath('//a/@href').extract()):
            item = Links()
            if len(link) > 1:
                if link.startswith("/") or link.startswith("."):
                    # internal link
                    url = response.urljoin(link)
                    item['internal'] = url
                    #yield scrapy.Request(url, self.parse)
                elif link.startswith("http") or link.startswith("ftp") or link.startswith("www"):
                    # external link
                    item['external'] = link
                else:
                    # misc. links: mailto, id (#)
                    item['misc'] = link
                items.append(item)
        return items

有什么建议？

解决方法:

使用link extractor.

实例化时,您必须通过允许的域.您不必担心指定所需的标记,因为(根据文档)参数标记默认采用(‘a’,’area’).

在Rust lang网站的例子中,打印来自其域的所有内部链接的代码如下所示：

import scrapy
from scrapy.linkextractors import LinkExtractor


class RustSpider(scrapy.Spider):
    name = "rust"
    allowed_domains = ["www.rust-lang.org"]
    start_urls = (
        'http://www.rust-lang.org/',
    )

    def parse(self, response):
        extractor = LinkExtractor(allow_domains='rust-lang.org')
        links = extractor.extract_links(response)
        for link in links:
            print link.url

输出将是这样的链接的列表：https://doc.rust-lang.org/nightly/reference.html(我不能发布更多),同时排除像StackOverflow那样的所有链接.

请务必查看文档页面,因为链接提取器有许多您可能需要的参数.

内容总结

以上是互联网集市为您收集整理的python – Scrapy：存储所有外部链接并抓取所有内部链接全部内容，希望文章能够帮你解决python – Scrapy：存储所有外部链接并抓取所有内部链接所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端