Scrapy递归抓取craigslist

Question

我正在使用scrapy报废craigslist，并获得所有链接，转到该链接，存储每个页面的描述和回复电子邮件。现在我已经写了一个拼凑的脚本，它通过craigslist/sof.com获得所有的职位和urls。我想进入每个网址，并保存每个工作的电子邮件和描述。下面是我的代码：

from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from craigslist.items import CraigslistItem

class MySpider(BaseSpider):
    name = "craig"
    allowed_domains = ["craigslist.org"]
    start_urls = ["http://sfbay.craigslist.org/npo/"]
    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        titles = hxs.select("//span[@class='pl']")
        for titles in titles:
                title = titles.select("a/text()").extract()
                link = titles.select("a/@href").extract()
                desc = titles.select("a/replylink").extract
                print link, title

你知道该怎么做吗？

Answer 1

抓取函数应该产生(或返回) Item/s和Request/s

返回的项将根据配置进行pipelined，下一个爬行器步骤是通过返回一个带有对回调字段中函数的引用的请求来确定的

摘自scrapy文档：

def parse_page1(self, response):
    return Request("http://www.example.com/some_page.html",
                      callback=self.parse_page2)

def parse_page2(self, response):
    # this would log http://www.example.com/some_page.html
    self.log("Visited %s" % response.url)

Answer 2

根据他们的政策，抓取craigslist是非法的：

禁止

机器人、蜘蛛、脚本、刮刀、爬虫等

来源：https://www.craigslist.org/about/terms.of.use

现在他们的API是另一个问题了，但是每小时才更新一次(所以有一个小时的滞后时间)。