scrapy не очищает родительский URL - PullRequest
Новая
       9

scrapy не очищает родительский URL

0 голосов
/ 17 июня 2020

У меня есть html файл demo1.html с кодом: 

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>

“What is this obsession people have with books? They put them in their houses—like they’re trophies.
What do you need it for after you read it?” – Jerry

<a href="file:///path/to/demo2.html"></a>
</body>
</html>

как видите, в demo1.html файле я добавил ссылку на другой html файл с именем demo2.html ( <a href="file:///path/to/demo2.html"></a>)

demo2. html код: 

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>

“Tuesday has no feel. Monday has a feel, Friday has a feel, Sunday has a feel…” – Newman

</body>
</html>

Я написал паука, который извлекает открытый текст из файлов html и сохраняет это в текстовом файле, а именно basename.txt , относительно каждого URL.

Мой код паука: 

from os.path import splitext
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from urllib.parse import urlparse
from os.path import basename
import lxml

FOLLOW = True

class CustomLinkExtractor(LinkExtractor):
    def __init__(self, *args, **kwargs):
        super(CustomLinkExtractor, self).__init__(*args, **kwargs)
        self.deny_extensions = [".zip", ".mp4", ".mp3"]  # ignore files with mentioned extensions

def get_plain_html(response_body):
    root = lxml.html.fromstring(response_body)
    lxml.etree.strip_elements(root, lxml.etree.Comment, "script", "head", "style")
    text = lxml.html.tostring(root, method="text", encoding='utf-8')
    return text

def get_file_name(url):
    parsed_url = urlparse(url)
    file_name = basename(parsed_url.path.strip('/')) if parsed_url.path.strip('/') else parsed_url.netloc
    return file_name



class WebScraper(CrawlSpider):
    name = "goblin"
    start_urls = [
        'file:///path/to/demo1.html'
    ]

    def __init__(self, *args, **kwargs):
        self.rules = (Rule(CustomLinkExtractor(), follow=FOLLOW, callback="parse_file"),)
        super(WebScraper, self).__init__(*args, **kwargs)

    def parse_file(self, response):
        try:
            file_name = get_file_name(response.url)
            if hasattr(response, "text"):
                file_name = '{0}.txt'.format(file_name)
                text = get_plain_html(response.body)
                file_path = './{0}'.format(file_name)
                with open(file_path, 'wb') as f_data:
                    f_data.write(text)
        except Exception as ex:
            self.logger.error(ex, exc_info=True)

Когда я запускаю свой паук, я вижу, как очищают demo2.html, и текст:

«Вторник ничего не чувствует. Понедельник - это ощущение, пятница - ощущение, воскресенье - ощущение… »- Ньюман

хранится в demo2.html.txt, но мой паук не возвращает никакого ответа для demo1.html, который является частью URL-адреса в списке start_urls.

Я ожидаю, что будет создан файл demo1.html.txt с текстом:

«Что это за одержимость людей книгами? Они кладут их в свои дома - как трофеи. Зачем вам это нужно после прочтения? » - Джерри

Примечание: я установил DEPTH_LIMIT = 1 в settings.py

Журналы Scrapy: 

2020-06-17 20:33:27 [scrapy.utils.log] INFO: Scrapy 2.1.0 started (bot: scrapy_project)
2020-06-17 20:33:27 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.6.0, w3lib 1.21.0, Twisted 20.3.0, Python 3.7.5 (default, Nov  7 2019, 10:50:52) - [GCC 8.3.0], pyOpenSSL 19.1.0 (OpenSSL 1.1.1g  21 Apr 2020), cryptography 2.9.2, Platform Linux-...-Ubuntu-...
2020-06-17 20:33:27 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.epollreactor.EPollReactor
2020-06-17 20:33:27 [scrapy.crawler] INFO: Overridden settings:
{'AJAXCRAWL_ENABLED': True,
 'AUTOTHROTTLE_ENABLED': True,
 'BOT_NAME': 'scrapy_project',
 'CONCURRENT_REQUESTS': 30,
 'COOKIES_ENABLED': False,
 'DEPTH_LIMIT': 1,
 'DOWNLOAD_MAXSIZE': 5242880,
 'NEWSPIDER_MODULE': 'scrapy_project.spiders',
 'REACTOR_THREADPOOL_MAXSIZE': 20,
 'SPIDER_MODULES': ['scrapy_project.spiders']}
2020-06-17 20:33:27 [scrapy.extensions.telnet] INFO: Telnet Password: *******
2020-06-17 20:33:27 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.memusage.MemoryUsage',
 'scrapy.extensions.logstats.LogStats',
 'scrapy.extensions.throttle.AutoThrottle']
2020-06-17 20:33:27 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy_project.middlewares.FilterResponses',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.ajaxcrawl.AjaxCrawlMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-06-17 20:33:27 [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']
2020-06-17 20:33:27 [scrapy.core.engine] INFO: Spider opened
2020-06-17 20:33:27 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-06-17 20:33:27 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2020-06-17 20:33:27 [scrapy.core.engine] DEBUG: Crawled (200) <GET file:///path/to/demo1.html> (referer: None)
2020-06-17 20:33:33 [scrapy.core.engine] DEBUG: Crawled (200) <GET file:///path/to/demo2.html> (referer: None)
2020-06-17 20:33:33 [scrapy.core.engine] INFO: Closing spider (finished)
2020-06-17 20:33:33 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 556,
 'downloader/request_count': 2,
 'downloader/request_method_count/GET': 2,
 'downloader/response_bytes': 646,
 'downloader/response_count': 2,
 'downloader/response_status_count/200': 2,
 'elapsed_time_seconds': 6.091841,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 6, 17, 15, 3, 33, 427522),
 'log_count/DEBUG': 2,
 'log_count/INFO': 14,
 'memusage/max': 1757986816,
 'memusage/startup': 1757986816,
 'request_depth_max': 1,
 'response_received_count': 2,
 'scheduler/dequeued': 2,
 'scheduler/dequeued/memory': 2,
 'scheduler/enqueued': 2,
 'scheduler/enqueued/memory': 2,
 'start_time': datetime.datetime(2020, 6, 17, 15, 3, 27, 335681)}
2020-06-17 20:33:33 [scrapy.core.engine] INFO: Spider closed (finished)
Process finished with exit code 0

любая помощь буду признателен :)

1 Ответ

1 голос
/ 12 августа 2020

Я изменил свой обратный вызов на parse_start_url и переопределил его.

Обратный ответ: { ссылка }

Полный код с ожидаемыми изменениями: 

from os.path import splitext
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from urllib.parse import urlparse
from os.path import basename
import lxml

FOLLOW = True

class CustomLinkExtractor(LinkExtractor):
    def __init__(self, *args, **kwargs):
        super(CustomLinkExtractor, self).__init__(*args, **kwargs)
        self.deny_extensions = [".zip", ".mp4", ".mp3"]  # ignore files with mentioned extensions

def get_plain_html(response_body):
    root = lxml.html.fromstring(response_body)
    lxml.etree.strip_elements(root, lxml.etree.Comment, "script", "head", "style")
    text = lxml.html.tostring(root, method="text", encoding='utf-8')
    return text

def get_file_name(url):
    parsed_url = urlparse(url)
    file_name = basename(parsed_url.path.strip('/')) if parsed_url.path.strip('/') else parsed_url.netloc
    return file_name



class WebScraper(CrawlSpider):
    name = "goblin"
    start_urls = [
        'file:///path/to/demo1.html'
    ]

    def __init__(self, *args, **kwargs):
        self.rules = (Rule(CustomLinkExtractor(), follow=FOLLOW, callback="parse_file"),)
        super(WebScraper, self).__init__(*args, **kwargs)

    def parse_start_url(self, response):
        return self.parse_file(response)

    def parse_file(self, response):
        try:
            file_name = get_file_name(response.url)
            if hasattr(response, "text"):
                file_name = '{0}.txt'.format(file_name)
                text = get_plain_html(response.body)
                file_path = './{0}'.format(file_name)
                with open(file_path, 'wb') as f_data:
                    f_data.write(text)
        except Exception as ex:
            self.logger.error(ex, exc_info=True)
Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.

Нет похожих вопросов

...