python - Scrapy 不会抓取所有页面

Question

这是我的工作代码:

from scrapy.item import Item, Field

class Test2Item(Item):
    title = Field()

from scrapy.http import Request
from scrapy.conf import settings
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.contrib.spiders import CrawlSpider, Rule

class Khmer24Spider(CrawlSpider):
    name = 'khmer24'
    allowed_domains = ['www.khmer24.com']
    start_urls = ['http://www.khmer24.com/']
    USER_AGENT = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.22 (KHTML, like Gecko) Chrome/25.0.1364.97 Safari/537.22 AlexaToolbar/alxg-3.1"
    DOWNLOAD_DELAY = 2

    rules = (
        Rule(SgmlLinkExtractor(allow=r'ad/.+/67-\d+\.html'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        hxs = HtmlXPathSelector(response)
        i = Test2Item()
        i['title'] = (hxs.select(('//div[@class="innerbox"]/h1/text()')).extract()[0]).strip(' \t\n\r')
        return i

它只能废弃 10 或 15 条记录。总是随机数!我无法获取所有具有类似 http://www.khmer24.com/ad/any-words/67-anynumber.html 模式的页面

我真的怀疑Scrapy是因为重复请求才爬完的。他们建议使用 dont_filter = True 但是，我不知道将它放在我的代码中的什么位置。

我是 Scrapy 的新手，非常需要帮助。

Answer 1

1.“他们建议使用 dont_filter = True 但是，我不知道将它放在我的代码中的什么位置。”

该参数在CrawlSpider继承的BaseSpider中。 ( scrapy/spider.py ) 默认设置为 True。

2."它只能抓取 10 或 15 条记录。"

原因:这是因为 start_urls 不是很好。在这个问题中，蜘蛛开始爬行 http://www.khmer24.com/ ，让我们假设它得到 10 个要遵循的 url(满足模式)。然后，蜘蛛继续爬取这 10 个 url。但是由于这些页面包含的满足模式太少，蜘蛛会跟踪一些 url(甚至没有 url)，从而导致停止爬行。

可能的解决方案:我上面所说的原因只是重申了 icecrime 的观点。解决方案也是如此。

• 建议使用“所有广告”页面作为start_urls。 (您也可以将主页用作 start_urls 并使用新的规则。)

• 新规则:

  rules = (
      # Extract all links and follow links from them 
      # (since no callback means follow=True by default)
      # (If "allow" is not given, it will match all links.)
      Rule(SgmlLinkExtractor()), 
  
      # Extract links matching the "ad/any-words/67-anynumber.html" pattern
      # and parse them with the spider's method parse_item (NOT FOLLOW THEM)
      Rule(SgmlLinkExtractor(allow=r'ad/.+/67-\d+\.html'), callback='parse_item'),
  )
  

引用: SgmlLinkExtractor , CrawlSpider example