3

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 由于重复请求而完成了爬网。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哪个位置。

我是 Scrapy 的新手，真的需要帮助。

4

1 回答 1

5

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哪个位置。”

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

2.“只能报废10条或15条记录。”

原因：这是因为start_urls不是很好。在这个问题中，蜘蛛开始在http://www.khmer24.com/中爬行，让我们假设它有 10 个要跟踪的 url（满足模式）。然后，蜘蛛继续抓取这 10 个网址。但是由于这些页面包含的满意模式太少，蜘蛛会跟随几个 url（甚至没有 url），这导致停止爬行。

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'),
)

参考： SgmlLinkExtractor , CrawlSpider 例子

于 2013-03-05T05:46:39.463 回答