Question

我是Scrapy的新手。我想抓取一个论坛的所有帖子，并为这些新帖子提供最新信息。我想弄清楚一些问题。

1.如何确保爬行器不会两次爬行？

2.如果有一些机制可以避免两次抓取帖子。即使我重新启动爬虫，这个机制也会工作吗？

3.抓取工具会不会自动抓取新帖子吗？

4.我需要在这个项目中使用什么db / plugin？

这是蜘蛛类的初始化

name = "forum"
    allowed_domains = ["forum.com"]
    start_urls = (
        'http://s7.forum.com/posts.aspx',
    )

    rules = [
        Rule(LinkExtractor(allow=('mid=', )), callback='parse_item'),
    ]

Answer 1

您需要自己定制一种机制并将其置于设置中。像这样：

来自scrapy.dupefilter导入RFPDupeFilter

类SeenURLFilter（RFPDupeFilter）：

def __init__(self, path=None):
    self.urls_seen = set()
    RFPDupeFilter.__init__(self, path)

def request_seen(self, request):
    if request.url in self.urls_seen:
        return True
    else:
        self.urls_seen.add(request.url)

请务必将DUPEFILTER_CLASS常量添加到settings.py：

DUPEFILTER_CLASS = 'scraper.custom_filters.SeenURLFilter'

是。只要爬网正在运行，它就会起作用
是
我不认为这里有困难。使用您熟悉的任何数据库。

Scrapy从论坛抓取数据

1 个答案: