如何使用scrapy的XmlFeedSpider解析sitemap.xml文件？

2018-06-23 10:27:30

我正在尝试使用scrapy解析sitemap.xml文件，这些站点地图文件就像下面这些url节点一样。

<?xml version="1.0" encoding="UTF-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"
        xmlns:video="http://www.sitemaps.org/schemas/sitemap-video/1.1">
    <url>
        <loc>
            http://www.site.com/page.html
        </loc>
        <video:video>
            <video:thumbnail_loc>
                http://www.site.com/thumb.jpg
            </video:thumbnail_loc>
            <video:content_loc>http://www.example.com/video123.flv</video:content_loc>
            <video:player_loc allow_embed="yes" autoplay="ap=1">
                http://www.example.com/videoplayer.swf?video=123
            </video:player_loc>
            <video:title>here is the page title</video:title>
            <video:description>and an awesome description</video:description>
            <video:duration>302</video:duration>
            <video:publication_date>2011-02-24T02:03:43+02:00</video:publication_date>
            <video:tag>w00t</video:tag>
            <video:tag>awesome</video:tag>
            <video:tag>omgwtfbbq</video:tag>
            <video:tag>kthxby</video:tag>
        </video:video>
    </url>
</urlset>

我查看了相关的scrapy的文档，并且我写了下面的代码片断，看看我是否正确地做了这件事（而且看起来我没有^^）：

class SitemapSpider(XMLFeedSpider):
    name = "sitemap"
    namespaces = [
        ('', 'http://www.sitemaps.org/schemas/sitemap/0.9'),
        ('video', 'http://www.sitemaps.org/schemas/sitemap-video/1.1'),
    ]
    start_urls = ["http://example.com/sitemap.xml"]
    itertag = 'url'

    def parse_node(self, response, node):
        print "Parsing: %s" % str(node)

但是当我运行蜘蛛时，我得到这个错误：

File "/.../python2.7/site-packages/scrapy/utils/iterators.py", line 32, in xmliter
    yield XmlXPathSelector(text=nodetext).select('//' + nodename)[0]
    exceptions.IndexError: list index out of range

我认为我没有正确定义“默认”名称空间（http://www.sitemaps.org/schemas/sitemap/0.9），但我找不到如何执行此操作。

遍历url节点然后能够从子节点中提取所需信息的正确方法是什么？

回答：

不幸的是，我无法使用XMLFeedSpider （这应该是用scrapy解析XML的方式），但是由于simplebias的回答，我已经能够设法实现这个“老派的方式”。我想出了下面的代码（这个工作，这次！）：

class SitemapSpider(BaseSpider):
    name = 'sitemap'
    namespaces = {
        'sitemap': 'http://www.sitemaps.org/schemas/sitemap/0.9',
        'video': 'http://www.sitemaps.org/schemas/sitemap-video/1.1',
    }

    def parse(self, response):
        xxs = XmlXPathSelector(response)
        for namespace, schema in self.namespaces.iteritems():
            xxs.register_namespace(namespace, schema)
        for urlnode in xxs.select('//sitemap:url'):
            extract_datas_here()

Scrapy在底层使用lxml / libxml2 ，最终调用node.xpath()方法来执行选择。您的xpath表达式中名称空间的任何元素都必须加前缀，并且您必须传递一个映射来告诉选择器每个前缀的哪个名称空间会解析为。

以下示例说明如何在使用node.xpath()方法时将前缀映射到名称空间：

doc = '<root xmlns="chaos"><bar /></root>'
tree = lxml.etree.fromstring(doc)
tree.xpath('//bar')
[]
tree.xpath('//x:bar', namespaces={'x': 'chaos'})
[<Element {chaos}bar at 7fa40f9c50a8>]

没有使用这个scrapy XMLFeedSpider类，我猜你的名字空间映射和itertag需要遵循相同的方案：

class SitemapSpider(XMLFeedSpider):
    namespaces = [
        ('sm', 'http://www.sitemaps.org/schemas/sitemap/0.9'),
        ]
     itertag = 'sm:url'

我发现hxs和xxs之间的区别很有帮助。我发现很难找到xxs对象。我试图使用这个

x = XmlXPathSelector(response)

当这些工作对我所需要的更好。

hxs.select('//p/text()').extract()

要么

xxs.select('//title/text()').extract()

链接地址: http://www.djcxy.com/p/65707.html

上一篇: how to parse a sitemap.xml file using scrapy's XmlFeedSpider?

下一篇: How do I remove redundant namespace in nested query when using FOR XML PATH