仅遵循一条规则时如何修复scrapy规则

Question

此代码不起作用：

name="souq_com"
allowed_domains=['uae.souq.com']
start_urls=["http://uae.souq.com/ae-en/shop-all-categories/c/"]

rules = (
    #categories
    Rule(SgmlLinkExtractor(restrict_xpaths=('//div[@id="body-column-main"]//div[contains(@class,"fl")]'),unique=True)),
    Rule(SgmlLinkExtractor(restrict_xpaths=('//div[@id="ItemResultList"]/div/div/div/a'),unique=True),callback='parse_item'),
    Rule(SgmlLinkExtractor(allow=(r'.*?page=\d+'),unique=True)),
)

第一条规则得到响应，但第二条规则不起作用。 我确定第二个规则 xpath 是正确的（我已经使用 scrapy shell 尝试过）我还尝试向第一个规则添加回调并选择第二个规则的路径（'//div[@id="ItemResultList "]/div/div/div/a') 并发出请求，它工作正常。

我还尝试了一种解决方法，我尝试使用 Base Spider 而不是 Crawl Spider，它只发出第一个请求，不发出回调。 我应该如何解决这个问题？

Answer 1

规则的顺序很重要。根据scrapy docs为CrawlSpider rules：

如果多个规则匹配同一个链接，将使用第一个，根据在此属性中定义的顺序。

如果我点击http://uae.souq.com/ae-en/shop-all-categories/c/中的第一个链接，即http://uae.souq.com/ae-en/antique/l/，那么您要关注的项目就在这个结构中

<div id="body-column-main">
    <div id="box-ads-souq-1340" class="box-container ">...
    <div id="box-results" class="box-container box-container-none ">
        <div class="box box-style-none box-padding-none">
            <div class="bord_b_dash overhidden hidden-phone">
            <div class="item-all-controls-wrapper">
            <div id="ItemResultList">
                <div class="single-item-browse fl width-175 height-310 position-relative">
                <div class="single-item-browse fl width-175 height-310 position-relative">
                ...

因此，您使用第二条规则定位的链接位于 <div> 中，它们的类中有“fl”，因此它们也匹配第一条规则，该规则查找 '//div[@id="body-column-main"]//div[contains(@class,"fl")]' 中的所有链接，因此将 不被parse_item解析

简单解决方案：尝试将第二条规则放在“类别”规则之前（unique=True 默认为 SgmlLinkExtractor）

name="souq_com"
allowed_domains=['uae.souq.com']
start_urls=["http://uae.souq.com/ae-en/shop-all-categories/c/"]

rules = (
    Rule(SgmlLinkExtractor(restrict_xpaths=('//div[@id="ItemResultList"]/div/div/div')), callback='parse_item'),

    #categories
    Rule(SgmlLinkExtractor(restrict_xpaths=('//div[@id="body-column-main"]//div[contains(@class,"fl")]'))),

    Rule(SgmlLinkExtractor(allow=(r'.*?page=\d+'))),
)

另一种选择是将类别页面的第一条规则更改为限制性更强的 XPath，这在各个类别页面中不存在，例如 '//div[@id="body-column-main"]//div[contains(@class,"fl")]//ul[@class="refinementBrowser-mainList"]'

您还可以为类别页面定义一个正则表达式，并在您的规则中使用accept 参数。