Scrapy Crawl Spider 只刮一定数量的层

Posted 2023-02-19

【中文标题】Scrapy Crawl Spider 只刮一定数量的层

【英文标题】：Scrapy Crawl Spider Only Scrape Certain Number Of Layers

【发布时间】：2013-09-24 22:23:00

【问题描述】：

您好，我想使用 Scrapy CrawlSpider 类 (Documentation here) 抓取网页的所有页面。

class MySpider(CrawlSpider):
    name = 'abc.com'
    allowed_domains = ['abc.com']
    start_urls = ['http://www.abc.com']

    rules = (
        Rule(SgmlLinkExtractor(allow=('item\.php', )), callback='parse_item')
    )

    def parse_item(self, response):
        self.log('Hi, this is an item page! %s' % response.url)
        ...

(1) 所以，这个蜘蛛将从 start_urls 中定义的页面 www.abc.com 开始，它会自动进行解析......然后跟踪 www.abc.com 中的每个链接哪个遵循规则对？我想知道有没有办法让我只能刮一定数量的层..说只刮第一层（直接来自 www.abc.com 的链接）？

(2) 因为我在 allowed_deomains 中定义了只有 abc.com 的 url 会被抓取。所以我不需要在规则中重新定义？并做这样的事情：

Rule(SgmlLinkExtractor(allow=('item\.php', )), allow_domains="www.abc.com", callback='parse_item')

(3)如果我使用crawlspider，如果我没有在spider类中定义规则会怎样？它会爬取所有页面吗？或者它甚至不会遵循任何一个规则，因为规则没有被“满足”？

【参考方案1】：

设置DEPTH_LIMIT设置：

DEPTH_LIMIT¶

默认值：0

允许抓取任何网站的最大深度。如果为零， 没有限制。

不，您不需要添加额外的 url 检查。如果您未在 Rule 级别上指定 allow_domains，它将仅提取具有 abc.com 域的 URL。

如果您不定义规则，它将不会提取任何 URL（将像 BaseSpider 一样工作）。

希望对您有所帮助。

【讨论】：

嗨，alecxe，非常感谢您的回答，我不知道在这个页面上继续提问是否合适，所以我开始了一个新线程，提出更多问题。非常欢迎您来看看。 ***.com/questions/18903197/…