Question

我正在使用Scrapy抓取不同的网站，但实际上我的脚本会跟踪每个网站并将数据库添加到数据库中，然后我使用PHP脚本检查过期的域名。

我希望有人能够帮助我改进我的脚本，因为实际的脚本没有针对我的需求进行优化！

我不知道为什么但是爬虫会立即跳到不同的网站上找到＆＃34;启动网址＆＃34;，如果脚本在跳转到第一个网站之前完成扫描会更好其他网站。

在将域添加到数据库之前，如何直接检查域是否已过期？

我的抓取工具：

from scrapy.spiders import CrawlSpider, Rule
from dirbot.settings import *
from scrapy.linkextractors.lxmlhtml import LxmlLinkExtractor
from scrapy.item import Item, Field
from urlparse import urlparse

class MyItem(Item):
    url= Field()

class someSpider(CrawlSpider):
    name = 'expired'
    start_urls = ['http://domain.com']

    rules = (Rule(LxmlLinkExtractor(allow=()), callback='parse_obj', follow=True),)

    def parse_obj(self,response):
        item = MyItem()
        item['url'] = []
        for link in LxmlLinkExtractor(allow='/.com|.fr|.net|.org|.info/i',deny = '/.jp|facebook|amazon|wordpress|blogspot|free.|google|yahoo|bing|znet|stackexchange|twitter|wikipedia/i').extract_links(response):
            parsed_uri = urlparse(link.url)
            url = '{uri.scheme}://{uri.netloc}/'.format(uri=parsed_uri)
        insert_table(url)

Answer 1

在您的代码中，您可以按如下方式检查响应代码：

class someSpider(CrawlSpider):
name = 'expired'
start_urls = ['http://domain.com']

rules = (Rule(LxmlLinkExtractor(allow=()), callback='parse_obj', follow=True),)

def parse_obj(self,response):
    item = MyItem()
    item['url'] = []
    if response.status == 404:
        # Do if not available
        pass
    elif response.status == 200:
        # Do if OK
        insert_table(url)
        for link in LxmlLinkExtractor(allow='/.com|.fr|.net|.org|.info/i',deny = '/.jp|facebook|amazon|wordpress|blogspot|free.|google|yahoo|bing|znet|stackexchange|twitter|wikipedia/i').extract_links(response):
            parsed_uri = urlparse(link.url)
            url = '{uri.scheme}://{uri.netloc}/'.format(uri=parsed_uri)

    elif response.status == 500:
        # Do if server crash
        pass

我添加了解析网站链接的代码，以防网站初始请求为您提供http 200 OK响应代码。

我希望它有所帮助。

Scrapy Crawl Expired Domains

1 个答案: