Scrapy 的相关分页怎么写？

    pages = sel.xpath('//*[@id="pagenavi"]/a/@href').extract()
    print('pages: %s' % pages)
    if len(pages) > 2:
        page_link = pages[-2]
        request = scrapy.Request('http://www.jdlingyu.moe/cosplay/page/%s/' % page_link, callback=self.parse)
        yield request
        
        请问一下应该怎么写？
        
        感谢 GOD

分页

Pages

Scrapy

request

15 条回复 • 2016-08-19 20:00:21 +08:00

582033

2016-08-19 06:40:18 +08:00 via Android

愣是没看明白。。。

laoyur

2016-08-19 08:59:08 +08:00

期待楼主发 Scrapy 系列教程……

url 已经告诉你真相 http://www.jdlingyu.moe/cosplay/page/2/
解完一页后，直接根据当前 url 构造下一个 request 不就完了嘛，当然，这样不是并发
真要并发的话，你直接根据 url 构造成百上千个 request 扔出去，再加上 delay 、限流控制不就欧了

xiaoyu9527

2016-08-19 09:05:03 +08:00

@582033 我现在不知道 scrapy 怎么采集相关分页的。

xiaoyu9527

2016-08-19 09:06:57 +08:00

@laoyur 有没有相关案例教程。你光这样说我也不懂呀。懂我精通了我会写一些发出来的

laoyur

2016-08-19 09:14:36 +08:00

@xiaoyu9527 说清楚思路后需要你自己去实现，总不能什么都别人帮你做好吧
再说具体一点，你现在的情况比较简单， url 中不是有 page/2/这种嘛，说明你想爬哪一页，就直接构造对应的 url 就行了，那么最简单的实现，比如你要爬前 1000 页，就为你的 spider.start_urls 插入一千个 url ，从 page/1/一直到 page/1000/不就完了嘛，你自己在 setting 里面设置好限流频次之类的， Scrapy 会自己逐个去抓

xiaoyu9527

2016-08-19 09:25:34 +08:00

@laoyur 构造 PAGES 页的 URL 。这种比较简单么。我想学习爬取 PAGES 页然后剔除重复这样对待不规则的 URLS 也可以用。

不是要针对这个给。

laoyur

2016-08-19 09:32:38 +08:00

直接拿到『下一页』的 url
//a[@title='下一页']/@href

xiaoyu9527

2016-08-19 09:43:03 +08:00

class MeizituSpider(scrapy.Spider):
name = "meizitu"
allowed_domains = ["jdlingyu.moe"]
start_urls = []
#获取全部翻页链接
for pn in range(1,29):
url = 'http://www.jdlingyu.moe/cosplay/page/%s/' % pn
start_urls.append(url)

我把构造 pages 页写成这样了。但是不知道为啥他并不能抓取到所有的 pages 页。是因为并发太高的原因导致被防攻击了么？

另外谁知道 scrapy 的日志放在哪里么？

samael

2016-08-19 09:55:54 +08:00

@xiaoyu9527 scrapy 的日志需要自己重定向到自己想要保存的文件里

xiaoyu9527

2016-08-19 10:16:22 +08:00

@samael 我去百度一下谢谢。

xiaoyu9527

2016-08-19 10:17:20 +08:00

http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/logging.html

看不懂呀。。

582033

2016-08-19 10:32:40 +08:00

@xiaoyu9527
https://github.com/582033/scrapy_test
之前写的一个抓 itjuzi 数据的，跟你的需求应该是一样，你可以参考参考

xiaoyu9527

2016-08-19 11:19:35 +08:00

@582033

感谢。我去学习一下分页抓取现在是直接生成的。

xiaoyu9527

2016-08-19 19:15:40 +08:00

继续请教现在是内页分页怎么破？

xiaoyu9527

2016-08-19 20:00:21 +08:00

[root@localhost fun_crawler]# wget http://www.xiumm.cc/albums/Goddess-2.html
--2016-08-19 19:41:03-- http://www.xiumm.cc/albums/Goddess-2.html
正在解析主机 www.xiumm.cc... 127.0.0.1
正在连接 www.xiumm.cc|127.0.0.1|:80... 已连接。
已发出 HTTP 请求，正在等待回应... 404 Not Found
2016-08-19 19:41:18 错误 404 ： Not Found 。
这是什么鬼呀。。怎么这个域名解析成 127.0.0.1 了。