知识卡片
入口集合与导航规则分工不同
start_urls可以列出多个种子或从文件读取,但将全部文件readlines装入列表会随输入增大占内存,还需处理空行和文件生命周期。更一般的抓取从少量索引页发现后续地址,再用规则扩展。读取入口文件不等于证明所有URL有效,也不等于已规划完整站点边界。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 爬虫基础 3.4 抽取更多的URL · 查看原书依据
open('todo.urls.txt').readlines()
参考来源
- 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python爬虫框架Scrapy · 第3章 爬虫基础,spine035单元020;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00034.html。
- 结论依据:原文readlines给start_urls装入全部种子,支持入口列表与从索引发现后续地址不同,文件读入仍有内存、空行和资源条件。未在本机运行示例或改变环境。
- 原始内容:[i.strip() for i in open('todo.urls.txt').readlines()] 这种写法其实也不那么令人激动,但它确实管用。更经常发生的情况是感兴趣的网站中包含一些索引页及房源页。比如,Gumtree就包含了如图3.7所示的索引页,其地址为 ht