如何在爬取中动态生成 start_urls？

Question

我正在抓取一个可能包含大量start_urls 的网站，例如：

http://www.a.com/list_1_2_3.htm

我想填充start_urls 就像[list_\d+_\d+_\d+\.htm]， 并在抓取过程中从 [node_\d+\.htm] 等 URL 中提取项目。

我可以使用CrawlSpider来实现这个功能吗？ 以及如何在爬取中动态生成start_urls？

Answer 1

动态生成 URL 的最好方法是覆盖蜘蛛的 start_requests 方法：

from scrapy.http.request import Request

def start_requests(self):
      with open('urls.txt', 'rb') as urls:
          for url in urls:
              yield Request(url, self.parse)

Answer 2

有两个问题：

1）是的，您可以通过使用规则来实现此功能，例如，

rules =(Rule(SgmlLinkExtractor(allow = ('node_\d+.htm')) ,callback = 'parse'))

suggested reading

2) 是的，您可以动态生成 start_urls，start_urls 是一个

列表

例如>>> start_urls = ['http://www.a.com/%d_%d_%d' %(n,n+1,n+2) for n in range(0, 26)]

>>> start_urls

['http://www.a.com/0_1_2', 'http://www.a.com/1_2_3', 'http://www.a.com/2_3_4', 'http://www.a.com/3_4_5', 'http://www.a.com/4_5_6', 'http://www.a.com/5_6_7',  'http://www.a.com/6_7_8', 'http://www.a.com/7_8_9', 'http://www.a.com/8_9_10','http://www.a.com/9_10_11', 'http://www.a.com/10_11_12', 'http://www.a.com/11_12_13', 'http://www.a.com/12_13_14', 'http://www.a.com/13_14_15', 'http://www.a.com/14_15_16', 'http://www.a.com/15_16_17', 'http://www.a.com/16_17_18', 'http://www.a.com/17_18_19', 'http://www.a.com/18_19_20', 'http://www.a.com/19_20_21', 'http://www.a.com/20_21_22', 'http://www.a.com/21_22_23', 'http://www.a.com/22_23_24', 'http://www.a.com/23_24_25', 'http://www.a.com/24_25_26', 'http://www.a.com/25_26_27']