Scrapy在自动翻页爬取的时候到底是怎样的一个顺序?

最近在看《Learning Scrapy》这本书,里面提到了一个自动翻页并抓取每一页项目的爬虫,书中说Scrapy使用的是后进先出的队列。

假设每一页有30个项目,start_url设置为第一页,我对后进先出的理解是第一个出来的应该是最后一页最下面的一个项目,可是例程运行的结果最先出来的是第一页的最后一个项目。实际上总体的顺序是第一页、第二页……最后一页,每一页内容顺序是从最后一个到第一个。

这个顺序确实很好,可是我觉得例程的结果总体顺序应该是从最后一页开始的呀。最后一页提取不到next链接后,不就直接进入到item_selector,然后提取最后一页各个项目的链接交给parse_item进行处理吗?怎么会是先处理第一页的东西呢?

是不是我对yield的理解有问题导致了这个认识偏差,希望能够得到大家的帮助~

def parse(self, response):
    # Get the next index URLs and yield Requests
    next_selector = response.xpath('//*[contains(@class,'
        '"next")]//@href')
    for url in next_selector.extract():
        yield Request(urlparse.urljoin(response.url, url))
        
    # Get item URLs and yield Requests
    item_selector = response.xpath('//*[@itemprop="url"]/@href')
    for url in item_selector.extract():
        yield Request(urlparse.urljoin(response.url, url),
            callback=self.parse_item)
幕布斯7119047
浏览 1541回答 1
1回答
打开App,查看更多内容
随时随地看视频慕课网APP

相关分类

Python