scrapy仅遵循一个深度的外部链接

Posted 2021-04-20

想象一下，我正在爬行foo.com。 foo.com有几个内部链接，它有一些外部链接，如：

foo.com/hello
foo.com/contact
bar.com
holla.com

我想scrapy抓住所有的内部链接，但也只有一个深度的外部链接，如我想scrapy去bar.com或holla.com但我不希望它去bar.com内的任何其他链接所以只有一个深度。

这可能吗？这种情况的配置是什么？

谢谢。

答案

你可以将你的蜘蛛基于CrawlSpider类，并使用Rules实现process_links方法，你传递给Rule。该方法将在跟踪之前过滤不需要的链接。来自documentation：

process_links是一个可调用的或一个字符串（在这种情况下，将使用来自具有该名称的蜘蛛对象的方法），将使用指定的link_extractor为每个响应中提取的每个链接列表调用。这主要用于过滤目的。

另一答案

不是内置的解决方案，但我相信你必须自己打断递归。你可以通过在蜘蛛中保留一个域（一组）域并中断或忽略来轻松实现这一点。

某种东西：

from urllib.parse import urlparse

self.track = set()

...
domain = tracktraurlparse(response.url).netloc
x.add(domain)
if len(x) > MAX_RECURSION:
   x.remove(domain)
   # raise StopIteration (# if you're within a generator)
   return None

另一答案

我通过将参数传递给回调函数找到了解决方案。如果url是内部链接，我将flag设置为true（否则为false）。如果flag返回false（外部链接），则爬网程序不会提取新链接。这是我的示例代码：

class BrokenLinksSpider(CrawlSpider):
name = test
start_urls = "your_url"

def parse(self, response):
    flag = response.meta.get('flag')
    if flag or flag==None:
        extractor = LinkExtractor(deny_domains="")
        links = extractor.extract_links(response)
        for link in links:
            if link.url[:8]=="your_url":
                new_request = Request(link.url, callback=self.parse,meta={'flag': True})
            else:
                new_request = Request(link.url, callback=self.parse,meta={'flag': False})
            yield new_request