Я работаю над парсером, который просматривает все внутренние ссылки с начального URL-адреса и собирает только внешние ссылки с scrapy
. Однако моя главная проблема заключается в классификации внешних ссылок и внутренних ссылок. Например, когда я пытаюсь отфильтровать внешние ссылки с помощью link.startswith("http") or link.startswith("ftp") or link.startswith("www")
, если веб-сайт ссылается на свой собственный веб-сайт с абсолютным путем (www.my-domain.com/about
вместо /about
), он классифицирует его как внешнюю ссылку, даже если это не так. Ниже приведен мой код:
import scrapy
from lab_relationship.items import Links
class WebSpider(scrapy.Spider):
name = "web"
allowed_domains = ["my-domain.com"]
start_urls = (
'www.my-domain.com',
)
def parse(self, response):
""" finds all external links"""
items = []
for link in set(response.xpath('//a/@href').extract()):
item = Links()
if len(link) > 1:
if link.startswith("/") or link.startswith("."):
# internal link
url = response.urljoin(link)
item['internal'] = url
#yield scrapy.Request(url, self.parse)
elif link.startswith("http") or link.startswith("ftp") or link.startswith("www"):
# external link
item['external'] = link
else:
# misc. links: mailto, id (#)
item['misc'] = link
items.append(item)
return items
Какие-либо предложения?