Python Scrapy 爬虫框架 | 6、继续爬虫、终止和重启任务

TeamsSix

发布于 2019-12-31 15:11:21

8860

发布于 2019-12-31 15:11:21

文章被收录于专栏：TeamsSix的网络空间安全专栏TeamsSix的网络空间安全专栏

0x00 前言

有时候我们不想只爬一个页面的，比如之前我只爬了主页，但是现在想把其他页面的也爬下来，这就是本文的任务。

0x01 修改代码

在之前的基础上，修改 teamssix_blog_spider.py 文件，首先添加 start_urls

start_urls = [
   'https://www.teamssix.com',
   'https://www.teamssix.com/page/2/',
   'https://www.teamssix.com/page/3/',
   'https://www.teamssix.com/page/4/',
   'https://www.teamssix.com/page/5/'
]

接下来在 sub_article 函数尾部添加 parse 函数的全部代码

soup = BeautifulSoup(response.text, 'html.parser')
for i in soup.select('.post-title'):
   url = 'https://www.teamssix.com{}'.format(i['href'])
   yield scrapy.Request(url, callback=self.sub_article)

所以 sub_article 函数的完整代码就是这个样子：

def sub_article(self,response):
   soup = BeautifulSoup(response.text,'html.parser')
   title = self.article_title(soup)
   list = self.article_list(soup)
   print(title)
   item = TeamssixItem(_id = response.url,title = title,list = list)
   yield item

   soup = BeautifulSoup(response.text, 'html.parser')
   for i in soup.select('.post-title'):
      url = 'https://www.teamssix.com{}'.format(i['href'])
      yield scrapy.Request(url, callback=self.sub_article)

从最后一行 callback=self.sub_article 这里不难看出这里其实就是一个循环， sub_article 函数第一遍执行完，又会调用继续执行第二遍，直到 start_urls 被执行完。