在scrapy项目中,如需爬取多页数据,有以下几种方法:
一、直接在start_urls列表中加入需要爬取的url
二、找到下面后续的url规律,直接循环yield scrapy.Request请求
在parse()方法中,在最后加入以下代码:
for i in range(2,url总数+1):
next_url = 与i拼接后的url
Yield scrapy.Request(url=next_url, callback=self.parse)
三、如后续网页无规律或网页上有<下页>标签,则抓取其链接,并发送scapy.Request请求:
在爬取数据时,同时爬取<下页>标签的href,并将其与网站url拼接后赋值给next_url,在最后加上以下代码:
next_url = new_url
yield scrapy.Request.request(url=next_url, callback=self.parse)
这样就能不停地循环嵌套。
上面的网页属于同一级层次,但还一种情况,即第一层网页中的数据不能填满item,需在下一层网页中抓取:
在抓取当前页数据时,把下一层网页的url好抓取并传递给嵌套的scrapy.request请求,此scrapy.request请求与数据分析提取同级,代码如下:
yield scrapy.Reuest(url=href, callback=new_parse,meta={‘item’: copy.deepcopy(item)}
因此还需定义一个下一层网页数据处理方法:
def new_parse(self, response):
soup = BeautifulSoup(response.text, ‘html.paser’)
Item = meta[‘item’] #将传入的item数据取出
“进行数据分析提取,并填满item中的缺项”代码
yeild item #将数据传出
如item数据还未填满,还需再下一层,按此方法进行scrapy.Request嵌套即可。
另外scrapy采用的是异步执行方法,所以在传递item时建议采用深拷贝方法传递。