Scrapy爬取多层级网页内容的方式

# -*- coding: utf-8 -*-
import scrapy
from Avv.items import AvvItem

class AvSpider(scrapy.Spider):
    name = 'av' # 爬虫名
    allowed_domains = ['51porn.net/'] # 爬虫作用域

    # 爬取第2页到最后一页的代码
    url = 'http://www.51porn.net/nvyoudaquan/index_{}.html' # 起始url，并用花括号格式化
    offset = 2 # 偏移量
    start_urls = [url.format(str(offset))] # 拼接为完整url
    
    
    def parse(self, response): # 第一个parse，从中提取下一层url
　　　　 # 第一部分
        links = response.xpath("//ul[@class='clearfix']/li/a/@href").extract() # 利用xpath提取下一层的url列表，并用extract转换为字符串
        for link in links: # 遍历上个列表
            url = "http://www.51porn.net" + link # 由于提取出来的url不完整，所以需要拼接为完整的url
            yield scrapy.Request(url,callback=self.parse_s,dont_filter=True) # 请求下一层url，方法为第二个parse，dont_filter=True的作用是避免有时候新的url会被作用域过滤掉


　　　　# 第二部分
        m_page = 26 # 这里设置的是第一层的url有多少页
        if self.offset<m_page: # 如果当前页小于最大页
            self.offset += 1 # 偏移量自增1
            yield scrapy.Request(self.url.format(str(self.offset)),callback=self.parse,dont_filter=True) # 再此请求第一层的新的url



    def parse_s(self, response):
        link = response.xpath("//div[@class='wrap loadimg avlist-small']/ul/li[1]/a/@href").extract()[0] # 提取第2层url
        url = "http://www.51porn.net" + link # 拼接为新的url
        yield scrapy.Request(url,callback=self.parse_t,dont_filter=True) # 请求第3个parse


    def parse_t(self, response):
        links = response.xpath("//ul[@class='alllist clearfix']/li/a/@href").extract() # 提取第3层url
        for link in links:
            url = "http://www.51porn.net" + link # 拼接为新的url

            yield scrapy.Request(url,callback=self.parse_last,dont_filter=True) # 请求最后的parse


    def parse_last(self, response):
        item = AvvItem() # 实例一个引入的字典类对象
        node_list = response.xpath("//div[@class='content loadimg wow fadeInUp']")
        for node in node_list:
            # 提取以下具体信息
            item["m_num"] = node.xpath("./p[1]/text()").extract()[0]
            item["m_name"] = node.xpath("./p[2]/text()").extract()[0]
            item["s_name"] = node.xpath("./p[3]/a/text()").extract()[0]
            item["i_date"] = node.xpath("./p[4]/text()").extract()[0]
            item["l_work"] = node.xpath("./p[5]/text()").extract()[0]
            item["m_style"] = node.xpath("./p[7]/text()").extract()[0] if len(node.xpath("./p[7]/text()"))>0 else "无" # 判断此信息是否为空值
            item["c_work"] = node.xpath("./p[8]/img/@src").extract()[0]

        yield item # 返回

原作者

https://www.cnblogs.com/shawone/p/10229261.html