本文详解如何在 scrapy 中正确解析 atom/rss 格式的 xml 站点地图，重点解决命名空间配置、xpath 路径失效、xmlfeedspider 使用误区等常见问题，并提供可运行的完整示例。
Scrapy 提供了专用于解析 XML/Atom/RSS 的 XMLFeedSpider，但其行为与常规 HTML Spider 有显著差异——它不依赖 CSS 选择器或通用 XPath 上下文，而是基于命名空间感知的节点迭代器。当你在 scrapy shell 中直接尝试 response.css("entry") 或 response.xpath("//loc") 时返回空结果，根本原因在于：Shell 中的 response 是原始 XML 文档对象，但默认未启用命名空间解析，且 Atom/RSS 结构中关键元素（如 <g:link>）属于外部命名空间，必须显式声明才能访问。
✅ 正确解析步骤
1. 确认 XML 结构与命名空间
首先，查看目标 Sitemap（https://www.php.cn/link/207750f9f2b1d10599670696bfbcb2d9）源码，可见其为 Atom 格式，包含 Google 商店扩展标签，例如：
<entry> <title>Producto X</title> <link rel="alternate" href="https://comercialtrevino.com/producto/x"/> <g:link>https://comercialtrevino.com/producto/x</g:link> </entry>
其中 <g:link> 属于命名空间 http://base.google.com/ns/1.0，因此必须在爬虫中注册该命名空间。
2. 正确配置 XMLFeedSpider
- namespaces 必须是 元组列表（如 [('g', 'http://base.google.com/ns/1.0')]），而非字符串或错误格式（原代码中 ['g', "..."] 是无效的）；
- itertag 指定要遍历的顶层元素（这里是 'entry'）；
- iterator = 'iternodes'（推荐）可确保逐节点解析，避免内存问题；
- 不要在 parse_node 中使用 // 绝对路径（如 node.xpath("//g:link")），应使用相对路径 node.xpath(".//g:link/text()") 或更稳妥的 node.xpath("g:link/text()")（因 g:link 是 entry 的直接子元素）。
3. 完整可运行爬虫示例
items.py
import scrapy
class TreviSpiderItem(scrapy.Item):
src = scrapy.Field()spiders/trevi_spider.py
from scrapy.spiders import XMLFeedSpider
from trevi_spider.items import TreviSpiderItem
class Trevi_Spider(XMLFeedSpider):
name = 'trevi'
start_urls = ["https://www.php.cn/link/207750f9f2b1d10599670696bfbcb2d9"]
iterator = 'iternodes'
namespaces = [('g', 'http://base.google.com/ns/1.0')]
itertag = 'entry'
def parse_node(self, response, node):
item = TreviSpiderItem()
# ✅ 正确：使用命名空间前缀 + 相对路径
link = node.xpath('g:link/text()').get()
if link:
item['src'] = link.strip()
yield item
else:
# 回退到 Atom 标准 link（rel="alternate"）
alt_link = node.xpath('link[@rel="alternate"]/@href').get()
if alt_link:
item['src'] = alt_link.strip()
yield item4. 运行与调试技巧
- ❌ 避免在 scrapy shell 中模拟 XML 解析：Shell 的 response 不支持 XMLFeedSpider 的命名空间机制，所有 .css() 和 .xpath() 均无法识别带前缀的标签。
- ✅ 调试建议：在 parse_node 中添加日志：
self.logger.debug(f"Raw entry: {node.get().strip()[:200]}...") - ✅ 启用详细日志：运行时加 -L DEBUG 查看节点匹配过程：
scrapy crawl trevi -L DEBUG
⚠️ 注意事项总结
- XMLFeedSpider 不支持 scrapy shell 交互式调试，务必在完整项目中运行；
- 命名空间格式必须为 [('prefix', 'uri')] 元组列表，拼写/括号错误将导致解析失败；
- XPath 中使用命名空间前缀时，必须先在 namespaces 中注册，否则 g:link 会被视为非法语法；
- 若目标 XML 同时含多种命名空间（如 xmlns:atom="..."），需全部注册并按需使用；
- 对于纯标准 <loc> 的 XML Sitemap（非 Atom/RSS），应改用 SitemapSpider（Scrapy 内置）或自定义 XMLSpider，而非 XMLFeedSpider。
通过以上配置，即可稳定提取 Sitemap 中所有产品 URL，为后续页面抓取提供可靠入口。
