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

1
2
3
4
5
6
7
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

1
2
3
4
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:

1
2
3
4
5
6
7
8
9
10
11
12
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。

0x02 运行

代码修改的就这些,接下来直接 scrapy crawl blogurl 运行代码,来到 robo 3T 看看爬取到的数据。

图片

最终在这些 start_urls 中爬取下来了 43 篇文章,Emm,还行。

这次的 Scrapy 学习笔记就更新到这里,这个项目的代码已经放在了我的 GitHub 里,项目链接已经放在了下面。

更多信息欢迎关注我的个人微信公众号:TeamsSix
项目地址:https://github.com/teamssix/scrapy_study_notes

参考链接:
https://youtu.be/aDwAmj3VWH4
http://doc.scrapy.org/en/latest/topics/architecture.html