抓取反向抓取

Question

蜘蛛从一个页面抓取一些特定的链接。然后，它在每个页面中搜索一个youtube链接和一个名称，以将其标识为(页面标题)。它确实找到了我需要的所有链接，但是顺序很奇怪。

爬行器从下到上收集所有页面信息。我怎样才能让它从上到下？

输出：http://pastebin.com/j4h4aRMs

起始页:它在爬行器中(我不能发布超过2个链接，因为我是新用户)

我希望输出的顺序与起始页中的顺序相同。

Answer 1

我不知道scrapy，但我知道在python中可以非常简单地通过调用reversed来反转列表或其他可迭代对象。

Answer 2

哦，你的意思是，你需要得到的Youtube链接的顺序，他们放置在开始页？

链接的顺序是随机的，因为Scrapy并行地发出请求

class ProfessormesserSpider(BaseSpider):

    allowed_domains = ['www.professormesser.com']
    start_urls = ['http://www.professormesser.com/n10-005/free-network-plus/']

    def parse(self, response):
        # extract urls from start page and REMEMBER THEIR ORDER(!!!)
        hxs = HtmlXPathSelector(response)
        for i, link in enumerate(hxs.xpath("//td[@valign='center']/div/descendant::a/@href")):
            # "i" is the link's order
            yield yield Request(url=link, callback=self.parse_item, meta={'i': i})

    def parse_item(self, request):
        order = response.request.meta["i"]
        ...

Answer 3

如果您查看其中一个链接页面的页面源，就会发现其中包含指向前一个和下一个视频的链接。这些链接的形式如下：

<div class="entry clearfix">
...
<b>Next:</b> The TCP/IP Model  &gt;&gt;</a><br />
<center><iframe width="640" height="360" src="http://www.youtube.com/embed/lSK1d8fZyEw?rel=0" frameborder="0" allowfullscreen></iframe></center></p>
</div>

因此，您将拾取重复的条目(尽管具有不同的链接)。您可能需要开发一个更显式的xpath来过滤掉这些其他链接。