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！我无法获得具有http://www.khmer24.com/ad/any-words/67-anynumber.html

模式的所有网页

我真的怀疑Scrapy因为重复请求而完成了抓取。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。

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哪个位置。”

此参数位于BaseSpider中，CrawlSpider继承自该参数。（scrapy/spider.py）默认设置为True。

2.“它只能废弃10或15条记录。”

原因：这是因为 start_urls 并不是那么好。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url要遵循（这满足了模式）。然后，蜘蛛继续爬行这10个网址。但由于这些页面包含如此少的满意模式，蜘蛛会得到一些网址（甚至没有网址），这会导致停止爬行。

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。

建议将“所有广告”页面用作 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'),
)

参见： SgmlLinkExtractor， CrawlSpider example

Scrapy不会抓取所有页面

1 个答案: