現在scrapyを使ってWebスクレイピングの勉強をしています。
start_urlからリンクをたどる必要があるので、ClawlSpiderを使用しようと思っています。
ClawlSpiderのRule文でLinkExtractorのallowを使ってリンクを抽出しようとしています。
しかし、そのstart_urlのページ内のhrefに書かれているURLが相対URLになっているので、抽出できてもアクセスすることができてないようです。
具体例を挙げます。
python
1class OsySpider(scrapy.Spider): 2 name = 'OSy' 3 allowed_domains = ['www0.osakafu-u.ac.jp/syllabus/'] 4 start_urls = ['http://www0.osakafu-u.ac.jp/syllabus/'] 5 6 def parse(self,response): 7 for href in response.css('#contents > div:nth-child(5) li.li3 a::attr("href")').extract(): 8 print(response.urljoin(href))
上のようにすればurljoinを用いることで、目的の絶対URLをただ表示することはできます。
チュートリアルを見ると、allow内はリストでも良いっぽいので
http://scrapy-ja.readthedocs.io/ja/latest/topics/link-extractors.html#topics-link-extractors
python
1 hrefArray = [] 2 for href in response.css('#contents > div:nth-child(5) li.li3 a::attr("href")').extract(): 3 hrefArray.append(response.urljoin(href))
こんな感じでhrefArrayという絶対URLが入ったリストを作ってみたのですが、
python
1class OsySpider(scrapy.Spider): 2 name = 'OSy' 3 allowed_domains = ['www0.osakafu-u.ac.jp/syllabus/'] 4 start_urls = ['http://www0.osakafu-u.ac.jp/syllabus/'] 5 6 hrefArray = [] 7 for href in response.css('#contents > div:nth-child(5) li.li3 a::attr("href")').extract(): 8 hrefArray.append(response.urljoin(href)) 9 10 rules = ( 11 Rule(LinkExtractor(allow=hrefArray), callback='parse_topics'), 12 ) 13 14 def parse_topics(self, response): 15 print('success')
とすると、responseが定義されていません。とエラーが出ます。
恐らくscrapyがrule(parse関数を内包) → callback関数の順番に実行されるからだと思うのですが、これだとリストを創ることができないし、またそれをallowに指定することもできません。
rulesで相対URLをたどることは可能なのでしょうか。
よろしくお願いします。
※ClawlSpiderを使わないで相対URLをたどる方法はこの質問文を書いている時に見つけました。
回答1件
あなたの回答
tips
プレビュー
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
退会済みユーザー
2017/06/02 10:47
2017/06/03 00:23