Я хочу использовать Python Scrapy module, чтобы очистить все URL-адреса с моего сайта и записать список в файл. Я посмотрел в примерах, но не видел простого примера для этого.
Как использовать модуль Python Scrapy для отображения всех URL-адресов с моего сайта?
Ответ 1
Здесь программа python, которая работала для меня:
from scrapy.selector import HtmlXPathSelector
from scrapy.spider import BaseSpider
from scrapy.http import Request
DOMAIN = 'example.com'
URL = 'http://%s' % DOMAIN
class MySpider(BaseSpider):
name = DOMAIN
allowed_domains = [DOMAIN]
start_urls = [
URL
]
def parse(self, response):
hxs = HtmlXPathSelector(response)
for url in hxs.select('//a/@href').extract():
if not ( url.startswith('http://') or url.startswith('https://') ):
url= URL + url
print url
yield Request(url, callback=self.parse)
Сохраните это в файле с именем spider.py
.
Затем вы можете использовать конвейер оболочки для публикации этого текста:
bash$ scrapy runspider spider.py > urls.out
bash$ cat urls.out| grep 'example.com' |sort |uniq |grep -v '#' |grep -v 'mailto' > example.urls
Это дает мне список всех уникальных URL-адресов на моем сайте.
Ответ 2
что-то более чистое (и, может быть, более полезное), будет использовать LinkExtractor
from scrapy.linkextractors import LinkExtractor
def parse(self, response):
le = LinkExtractor() # empty for getting everything, check different options on documentation
for link in le.extract_links(response):
yield Request(link.url, callback=self.parse)