Мне нужно просканировать веб-сайт и, например, просканировать каждый URL-адрес этого сайта по определенному пути xpath.: Мне нужно просканировать "http://someurl.com/world/", который имеет 10 ссылок в контейнере (xpath("//div[@class='pane-content']")), и мне нужно просканировать все эти 10 ссылок и извлекать из них изображения, но ссылки в "http://someurl.com/world/" выглядят как "http://someurl.com/node/xxxx"
что у меня есть до сих пор:
import scrapy
from scrapy.contrib.spiders import Rule, CrawlSpider
from scrapy.contrib.linkextractors import LinkExtractor
from imgur.items import ImgurItem
class ImgurSpider(CrawlSpider):
name = 'imgur'
allowed_domains = ['someurl.com/']
start_urls = ['http://someurl.com/news']
rules = [Rule(LinkExtractor(allow=('/node/.*')), callback='parse_imgur', follow=True)]
def parse_imgur(self, response):
image = ImgurItem()
image['title'] = response.xpath(\
"//h1[@class='pane-content']/a/text()").extract()
rel = response.xpath("//img/@src").extract()
image['image_urls'] = response.xpath("//img/@src").extract()
return image