Question

我正在抓取搜索结果页面并从同一页面抓取标题和链接信息。作为一个搜索页面，我也有链接到下一页，我在SgmlLinkExtractor中指定了允许。

问题的描述是，在第1页，我找到了Page2和Page3的链接进行抓取，它完美无缺。但是当它抓取第二页时，它再次链接到Page1（上一页）和Page3（下一页）。因此，它再次使用引用来抓取Page1作为Page2并进入循环。

scrapy版本，我使用的是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),

但是唯一命令未被识别为有效参数。

2）我试图在设置中指定默认过滤器为DUPEFILTER_CLASS = RFPDupeFilter

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

3）我也尝试过一个自定义过滤器，我在网上找到了这个片段，但是对它并不了解。代码如下。已捕获访问ID和状态，但它无法识别已爬网的页面。

注意：该片段是从网上复制的，我没有太多详细信息，

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被抓取的网页，而不是将抓取的网页放在列表中，并在每次页面被列入或不与列表匹配时进行匹配。

对此有任何想法。

Answer 1

您没有给出Spider的代码示例，但是，在调用dont_filter = True方法时，您可能会传递参数Request。尝试明确指定Request(dont_filter=False)。这向蜘蛛指出他不必重复相同的请求。

Scrapy - Spider抓取重复的网址

1 个答案: