Как написать код Python Scrapy для извлечения URL-адреса, присутствующего в карте сайта, и экспортировать его в CSV

Question

Я нашел рабочее решение для написания кода Python Scrapy для извлечения URL-адреса, присутствующего в карте сайта сайта, из здесь , но не знаю, как экспортировать данные в файл CSV!

Когда я пытаюсь запустить scrap crawl myspider -o mydata.csv , он возвращает пустой CSV-файл, но список URL-адресов выводится на экран!

# -*- coding: utf-8 -*-
import scrapy
from scrapy.spiders import SitemapSpider
from scrapy.spiders import Spider
from scrapy.http import Request, XmlResponse
from scrapy.utils.sitemap import Sitemap, sitemap_urls_from_robots
from scrapy.utils.gz import gunzip, is_gzipped
import re
import requests

class GetpagesfromsitemapSpider(SitemapSpider):
    name = "myspider"
    handle_httpstatus_list = [404]

    def parse(self, response):
       print(response.url)

    def _parse_sitemap(self, response):
        if response.url.endswith('/robots.txt'):
            for url in sitemap_urls_from_robots(response.body):
                yield Request(url, callback=self._parse_sitemap)
        else:
            body = self._get_sitemap_body(response)
            if body is None:
                self.logger.info('Ignoring invalid sitemap: %s', response.url)
                return

            s = Sitemap(body)
            sites = []
            if s.type == 'sitemapindex':
                for loc in iterloc(s, self.sitemap_alternate_links):
                    if any(x.search(loc) for x in self._follow):
                        yield Request(loc, callback=self._parse_sitemap)
            elif s.type == 'urlset':
                for loc in iterloc(s):
                    for r, c in self._cbs:
                        if r.search(loc):
                            sites.append(loc)
                            break
            print(sites)

    def __init__(self, spider=None, *a, **kw):
            super(GetpagesfromsitemapSpider, self).__init__(*a, **kw)
            self.spider = spider
            l = []
            url = "http://www.example.com/"
            resp = requests.head(url + "/sitemap.xml")
            if (resp.status_code != 404):
                l.append(resp.url)
            else:
                resp = requests.head(url + "/robots.txt")
                if (resp.status_code == 200):
                    l.append(resp.url)
            self.sitemap_urls = l
            print(self.sitemap_urls)

def iterloc(it, alt=False):
    for d in it:
        yield d['loc']

        # Also consider alternate URLs (xhtml:link rel="alternate")
        if alt and 'alternate' in d:
            for l in d['alternate']:
                yield l

Answer 1

Во-первых, вы не делаете никаких запросов с помощью скрапа, также вы комбинируете scrapy с requests, что, я думаю, не лучшая идея.Попробуйте изменить __init__ на:

    def start_requests(self):
        l = []
        url = "http://www.example.com"
        l.append(url + '/sitemap.xml')
        l.append(url + '/robots.txt')
        for link in l:
            yield Request(link, callback=self._parse_sitemap)

Кроме того, ваш self._parse_sitemap СЛЕДУЕТ вернуть dict-like или Request (не только ваш self._parse_sitemap, каждая функция в вашемпаук, см. документы ):

def _parse_sitemap(self, response):

        # handle here status responses(200,401,etc)
        body = self._get_sitemap_body(response)
        if body is None:
            self.logger.info('Ignoring invalid sitemap: %s', response.url)
            return

        s = Sitemap(body)
        sites = {} # You should return a dict-like item!
        if s.type == 'sitemapindex':
            for loc in iterloc(s, self.sitemap_alternate_links):
                if any(x.search(loc) for x in self._follow):
                    yield Request(loc, callback=self._parse_sitemap)
        elif s.type == 'urlset':
            for loc in iterloc(s):
                for r, c in self._cbs:
                    if r.search(loc):
                        sites.append(loc)
                        break
        yield sites    # Change print to yield!, this is the way to populate your .csv file

Весь файл (возможно, не работает, но объясняет идею):

# -*- coding: utf-8 -*-
import scrapy
from scrapy.spiders import SitemapSpider
from scrapy.spiders import Spider
from scrapy.http import Request, XmlResponse
from scrapy.utils.sitemap import Sitemap, sitemap_urls_from_robots
from scrapy.utils.gz import gunzip, is_gzipped
import re
import requests

class GetpagesfromsitemapSpider(SitemapSpider):
    name = "myspider"
    handle_httpstatus_list = [404]

    def parse(self, response):
       print(response.url)

    def _parse_sitemap(self, response):
        # handle here status responses(200,401,etc)
        body = self._get_sitemap_body(response)
        if body is None:
            self.logger.info('Ignoring invalid sitemap: %s', response.url)
            return

        s = Sitemap(body)
        sites = {} # You should return a dict-like item!
        if s.type == 'sitemapindex':
            for loc in iterloc(s, self.sitemap_alternate_links):
                if any(x.search(loc) for x in self._follow):
                    yield Request(loc, callback=self._parse_sitemap)
        elif s.type == 'urlset':
            for loc in iterloc(s):
                for r, c in self._cbs:
                    if r.search(loc):
                        sites.append(loc)
                        break
        yield sites    # Change print to yield!, this is the way to populate your .csv file

    def start_requests(self):
        l = []
        url = "http://www.example.com"
        l.append(url + '/sitemap.xml')
        l.append(url + '/robots.txt')
        for link in l:
            yield Request(link, callback=self._parse_sitemap)

def iterloc(it, alt=False):
    for d in it:
        yield d['loc']

        # Also consider alternate URLs (xhtml:link rel="alternate")
        if alt and 'alternate' in d:
            for l in d['alternate']:
                yield l