Scrapy：存储所有外部链接并爬取所有内部链接

Question

我一直在研究一个从起始 url 爬过所有内部链接并且只收集带有scrapy 的外部链接的scrapy 网络爬虫。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，当我尝试过滤掉带有link.startswith("http") or link.startswith("ftp") or link.startswith("www")的外部链接时，如果该网站使用绝对路径（www.my-domain.com/about而不是/about）链接自己的网站，那么即使它是不是。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

有什么建议吗？

Answer 1

使用link extractor。

实例化时，您必须传递允许的域。您不必担心指定所需的标签，因为（根据文档）参数 tags 默认采用 ('a', 'area')。

在 Rust lang 网站的示例中，打印其域中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

输出将是此类链接的列表：https://doc.rust-lang.org/nightly/reference.html（我无法发布更多内容），同时排除所有链接，如 StackOverflow 的链接。

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。

Answer 2

if 可以有多个 or 语句，而不仅仅是两个。