Sono stato incaricato di estrarre file PDF da siti Web che utilizzano Scrapy. Non sono nuovo a Python, ma Scrapy è una novità per me. Ho fatto esperimenti con la console e alcuni ragni rudimentali. Ho trovato e modificato questo codice:Utilizzo di Scrapy per trovare e scaricare file PDF da un sito Web
import urlparse
import scrapy
from scrapy.http import Request
class pwc_tax(scrapy.Spider):
name = "pwc_tax"
allowed_domains = ["www.pwc.com"]
start_urls = ["http://www.pwc.com/us/en/tax-services/publications/research-and-insights.html"]
def parse(self, response):
base_url = "http://www.pwc.com/us/en/tax-services/publications/research-and-insights.html"
for a in response.xpath('//a[@href]/@href'):
link = a.extract()
if link.endswith('.pdf'):
link = urlparse.urljoin(base_url, link)
yield Request(link, callback=self.save_pdf)
def save_pdf(self, response):
path = response.url.split('/')[-1]
with open(path, 'wb') as f:
f.write(response.body)
ho eseguito questo codice alla riga di comando con
scrapy crawl mySpider
e non ottengo niente di nuovo. Non ho creato un elemento rottame perché voglio eseguire la scansione e il download del file, senza metadati. Apprezzerei qualsiasi aiuto su questo.
è possibile condividere i registri? – eLRuLL