Question

我正在用scrapy写一个蜘蛛来抓取一个网站，索引页面是一个链接列表 www.link1.com，www.link2.com，www.link3.com 并且该网站经常更新，因此我的抓取工具是运行时间很长的进程的一部分，但我想只抓取我尚未抓取的新链接。我的问题是scrapy随机化了它在深入时对待每个链接的方式。是否有可能强制sracpy按顺序爬行？比如1然后是2然后是3，这样我就可以保存我抓取的最后一个链接，再次启动进程时只需将链接1与以前的链接1进行比较？

希望这是可以理解的，抱歉我的英语很差，

友好的回应，

谢谢

编辑：

class SymantecSpider(CrawlSpider):

    name = 'symantecSpider'
    allowed_domains = ['symantec.com']
    start_urls = [
        'http://www.symantec.com/security_response/landing/vulnerabilities.jsp'
        ]
    rules = [Rule(SgmlLinkExtractor(restrict_xpaths=('//div[@class="mrgnMD"]/following-sibling::table')), callback='parse_item')]

    def parse_item(self, response):
        open("test.t", "ab").write(response.url + "\n")

Answer 1

试试这个例子。
构建一个列表并附加所有链接然后逐个弹出它们以按顺序获取您的请求。

我建议做一些像@Hassan提及的事情并将你的内容传送到数据库。

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from scrapy.http import Request
from scrapy import log


class SymantecSpider(BaseSpider):
    name = 'symantecSpider'
    allowed_domains = ['symantec.com']
    allLinks = []
    base_url = "http://www.symantec.com"

    def start_requests(self):
        return [Request('http://www.symantec.com/security_response/landing/vulnerabilities.jsp', callback=self.parseMgr)]

    def parseMgr(self, response):
        # This grabs all the links and append them to allLinks=[]
        self.allLinks.append(HtmlXPathSelector(response).select("//table[@class='defaultTableStyle tableFontMD tableNoBorder']/tbody/tr/td[2]/a/@href").extract())
        return Request(self.base_url + self.allLinks[0].pop(0), callback=self.pageParser)

    # Cycle through the allLinks[] in order
    def pageParser(self, response):
        log.msg('response: %s' % response.url, level=log.INFO)
        return Request(self.base_url + self.allLinks[0].pop(0), callback=self.pageParser)

Answer 2

SgmlLinkExtractor将按照它们在页面上显示的顺序提取链接。

from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
links = SgmlLinkExtractor(
    restrict_xpaths='//div[@class="mrgnMD"]/following-sibling::table',
        ).extract_links(response)

您可以在CrawlSpider的rules中使用它们：

class ThreatSpider(CrawlSpider):
    name = 'threats'
    start_urls = [
        'http://www.symantec.com/security_response/landing/vulnerabilities.jsp',
    ]
    rules = (Rule(SgmlLinkExtractor(
                restrict_xpaths='//div[@class="mrgnMD"]/following-sibling::table')
            callback='parse_threats'))

强制scrapy按顺序抓取链接

2 个答案: