Почему мой «действительно простой» скрап-спайдер CrawlSpider не подключается ни к одной странице? - PullRequest
Новая
       5

Почему мой «действительно простой» скрап-спайдер CrawlSpider не подключается ни к одной странице?

0 голосов
/ 27 февраля 2020

Я обратился к документации. Но, должно быть, упустил из виду нечто элементарное. Это просто паук, который начинается с http://quotes.toscrape.com/, затем использует только одно правило и функцию синтаксического анализа, которая регистрирует ссылку. Но он не будет сканировать любые страницы, даже 'start_urls'.

Вот код: 

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor

class Crawl_All(CrawlSpider):
    name = 'Crawl_All'
    strat_urls = ['http://quotes.toscrape.com/']
    rules = [
        Rule(LinkExtractor(), callback='Parse_for_new_url', follow=True),
            ]

    def Parse_for_new_url(self, response):
        self.logger.log('got a new url:', response.url)

вот вывод: 

2020-02-27 13:58:55 [scrapy.utils.log] INFO: Scrapy 1.6.0 started (bot: Auto_Contest)
2020-02-27 13:58:55 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.9, cssselect 1.1.0, parsel 1.5.2, w3lib 1.21.0, Twisted 19.10.0, Python 3.7.6 (default, Jan  8 2020, 19:59:22) - [GCC 7.3.0], pyOpenSSL 19.1.0 (OpenSSL 1.1.1d  10 Sep 2019), cryptography 2.8, Platform Linux-5.3.0-40-generic-x86_64-with-debian-buster-sid
2020-02-27 13:58:55 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'Auto_Contest', 'NEWSPIDER_MODULE': 'Auto_Contest.spiders', 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['Auto_Contest.spiders']}
2020-02-27 13:58:55 [scrapy.extensions.telnet] INFO: Telnet Password: 928bba99b8a0c238
2020-02-27 13:58:56 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.memusage.MemoryUsage',
 'scrapy.extensions.logstats.LogStats']
2020-02-27 13:58:56 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-02-27 13:58:56 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2020-02-27 13:58:56 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2020-02-27 13:58:56 [scrapy.core.engine] INFO: Spider opened
2020-02-27 13:58:56 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-02-27 13:58:56 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2020-02-27 13:58:56 [scrapy.core.engine] INFO: Closing spider (finished)
2020-02-27 13:58:56 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 2, 27, 12, 58, 56, 114277),
 'log_count/INFO': 9,
 'memusage/max': 54910976,
 'memusage/startup': 54910976,
 'start_time': datetime.datetime(2020, 2, 27, 12, 58, 56, 104321)}
2020-02-27 13:58:56 [scrapy.core.engine] INFO: Spider closed (finished)

РЕДАКТИРОВАТЬ: Решено, похоже, это было из-за простой опечатки strat_urls должно было быть start_urls

Ответы [ 2 ]

1 голос
/ 27 февраля 2020

У вас есть простая опечатка в strat_urls, которая должна быть start_urls

Вы также должны использовать в log() два значения:

  • информация, какой тип сообщения вы отправляете (ie. предупреждение, отладка и т. д. c),

  • одна строка - поэтому вам нужно объединить 'got a new url:' + response.url

Вы также можете использовать предопределенные функции, и тогда вам не нужен первый аргумент, но вы все равно должны использовать одну строку 

self.logger.warning('got a new url:' + response.url)

Мой код, который можно запустить без создания проект 

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor

class Crawl_All(CrawlSpider):
    name = 'Crawl_All'
    start_urls = ['http://quotes.toscrape.com/']
    rules = [Rule(LinkExtractor(), callback='Parse_for_new_url', follow=True),]

    def Parse_for_new_url(self, response):
        #print(response.url)
        self.logger.warning('got a new url:' + response.url)

from scrapy.crawler import CrawlerProcess

c = CrawlerProcess({
    'USER_AGENT': 'Mozilla/5.0',
    # save in file CSV, JSON or XML
    'FEED_FORMAT': 'csv',     # csv, json, xml
    'FEED_URI': 'output.csv', #
})
c.crawl(Crawl_All)
c.start()
0 голосов
/ 27 февраля 2020

Я думаю, это может быть потому, что вы не используете метод класса parse() со своим пауком, что может потребоваться. Я предлагаю попробовать сделать так, чтобы ваш паук соответствовал приведенной ниже форме, а затем запустить сканирование на нем. Если вам нужно выполнить более конкретную c очистку оттуда, вы можете связать другие сценарии синтаксического анализа, но я думаю, что вам нужно сначала иметь свой собственный определенный parse() и работать оттуда. 

class MySpider(CrawlSpider):
name = 'testspider'
start_urls = ['http://quotes.toscrape.com/']

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