4

我正在爬取搜索结果页面并从同一页面中抓取标题和链接信息。作为一个搜索页面，我也有指向下一页的链接，我已在 SgmlLinkExtractor 中指定允许这些链接。

问题的描述是，在第 1 页，我找到了 Page2 和 Page3 的链接要抓取，它做得很好。但是当它爬到第 2 页时，它又会有指向 Page1（上一页）和 Page3（下一页）的链接。因此，它再次使用引荐来源网址为 Page2 抓取 Page1 并进入循环。

我使用的scrapy版本是0.17。

我在网上搜索了答案并尝试了以下方法，1）

Rule(SgmlLinkExtractor(allow=("ref=sr_pg_*")), callback="parse_items_1", unique= True, follow= True),

但是唯一的命令未被识别为有效参数。

2）我试图在设置中将默认过滤器指定为 DUPEFILTER_CLASS = RFPDupeFilter

    DUPEFILTER_CLASS = RFPDupeFilter
NameError: name 'RFPDupeFilter' is not defined

3）我也尝试过有一个自定义过滤器，我在网上找到了这个片段，但不太了解它。代码如下。访问 id 和状态被捕获，但它不能识别已经爬取的页面。

注意：片段是从网上复制的，我没有太多细节，

from scrapy import log
from scrapy.http import Request
from scrapy.item import BaseItem
from scrapy.utils.request import request_fingerprint
from Amaze.items import AmazeItem

class IgnoreVisitedItems(object):
    FILTER_VISITED = 'filter_visited'
    VISITED_ID = 'visited_id'
    CONTEXT_KEY = 'visited_ids'

    def process_spider_output(self, response, result, spider):
        context = getattr(spider, 'context', {})
        visited_ids = context.setdefault(self.CONTEXT_KEY, {})
        ret = []
        for x in result:
            visited = False
            if isinstance(x, Request):
                if self.FILTER_VISITED in x.meta:
                    visit_id = self._visited_id(x)
                    if visit_id in visited_ids:
                        log.msg("Ignoring already visited: %s" % x.url,
                                level=log.INFO, spider=spider)
                        visited = True
            elif isinstance(x, BaseItem):
                visit_id = self._visited_id(response.request)
                if visit_id:
                    visited_ids[visit_id] = True
                    x['visit_id'] = visit_id
                    x['visit_status'] = 'new'
            if visited:
                ret.append(MyItem(visit_id=visit_id, visit_status='old'))
            else:
                ret.append(x)
        return ret

    def _visited_id(self, request):
        return request.meta.get(self.VISITED_ID) or request_fingerprint(request)

我的目的是让蜘蛛本身忽略已经爬取的网页，而不是将爬取的页面放在列表中，并在每次爬取页面时与列表匹配。

请对此有任何想法。

4

1 回答 1

1

你没有得到你的 Spider 的代码示例，但是，可能你dont_filter = True在调用Request方法时传递了参数。尝试明确指定Request(dont_filter=False). 这向 Spider 指出，他不必重复相同的请求。

于 2013-03-27T12:24:35.427 回答