Scrapy - 没有列表页面，但我知道每个项目页面的网址

Question

我正在使用 Scrapy 来抓取网站。我想要抓取的项目页面如下所示： http://www.somepage.com /itempage/&page=x。其中 x 是从 1 到 100 之间的任意数字。因此，我有一个 SgmlLinkExractor 规则，其中为任何与此类似的页面指定了回调函数。

该网站没有包含所有项目的列表页面，因此我想以某种方式很好地抓取这些网址（从 1 到 100）。这个人在这里< /a> 似乎有同样的问题，但无法弄清楚。

有人有解决办法吗？

Answer 1

您可以在 Spider 中列出所有已知的 URL类' start_urls 属性：

class SomepageSpider(BaseSpider):
    name = 'somepage.com'
    allowed_domains = ['somepage.com']
    start_urls = ['http://www.somepage.com/itempage/&page=%s' % page for page in xrange(1, 101)]

    def parse(self, response):
        # ...

Answer 2

如果只是一次性的，您可以创建一个包含所有链接的本地 html 文件 file:///c:/somefile.html 。开始抓取该文件并将 somepage.com 添加到允许的域。

或者，在解析函数中，您可以返回一个新的 Request，它是下一个要抓取的 url。