我正在尝试使用 scrapy 解析 sitemap.xml 文件，站点地图文件就像下面的文件一样，只有更多的 url 节点。

<?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>

我看了相关的scrapy's documentation ，我写了以下代码片段来查看我是否做对了(我似乎没有做对 ^^):

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”命名空间 ( http://www.sitemaps.org/schemas/sitemap/0.9 )，但我找不到如何执行此操作。

迭代 url 节点然后能够从其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(这应该是使用 scrapy 解析 XML 的方式)，但感谢 simplebias 的回答，我已经能够想出一种方法来实现这种“老派方式”。我想出了以下代码(这次有效!):

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()

最佳答案

Scrapy 在底层使用 lxml/libxml2，最终调用 node.xpath() 方法来执行选择。 xpath 表达式中带有命名空间的任何元素都必须有前缀，并且您必须传递一个映射来告诉选择器每个前缀解析到哪个命名空间。

下面是一个示例，用于说明在使用 node.xpath() 方法时如何将前缀映射到 namespace :

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，我猜你的命名空间映射和 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'

关于python - 如何使用 scrapy 的 XmlFeedSpider 解析 sitemap.xml 文件？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/5598895/