停止 Scrapy 抓取相同的 URL

Question

我写了一个基本的 Scrapy 蜘蛛来抓取一个看起来运行很好的网站，除了它不想停止的事实，即它不断重新访问相同的 url 并返回相同的内容- 我总是不得不停止它。我怀疑它一遍又一遍地访问相同的网址。有没有规则可以阻止这种情况？或者还有什么我必须做的吗？也许是中间件？

蜘蛛如下：

class LsbuSpider(CrawlSpider):
name = "lsbu6"
allowed_domains = ["lsbu.ac.uk"]
start_urls = [
    "http://www.lsbu.ac.uk"
]
rules = [
    Rule(SgmlLinkExtractor(allow=['lsbu.ac.uk/business-and-partners/.+']), callback='parse_item', follow=True),
]

def parse_item(self, response):
    join = Join()
    sel = Selector(response)
    bits = sel.xpath('//*')
    scraped_bits = []            
    for bit in bits:
        scraped_bit = LsbuItem()
        scraped_bit['title'] = scraped_bit.xpath('//title/text()').extract()
        scraped_bit['desc'] = join(bit.xpath('//*[@id="main_content_main_column"]//text()').extract()).strip()
        scraped_bits.append(scraped_bit)

    return scraped_bits

我的 settings.py 文件看起来像这样

BOT_NAME = 'lsbu6'
DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter'
DUPEFILTER_DEBUG = True
SPIDER_MODULES = ['lsbu.spiders']
NEWSPIDER_MODULE = 'lsbu.spiders'

任何关于停止它的帮助/指导/指示运行将不胜感激...

因为我是新手；任何关于整理代码的评论也会有所帮助（或指向好的指导的链接）。

谢谢...

Answer 1

您的设计使爬行在原地打转。例如，有一个页面 http://www.lsbu.ac.uk/business-and-partners/business, which when opened contains the link to "http://www.lsbu.ac.uk/business-and-partners/partners，该页面再次包含第一个页面的 link。就这样一直在兜圈子。

为了克服这个问题，您需要创建更好的规则，消除循环引用。而且，您定义了两个相同的规则，这是不需要的。如果你想要 follow 你总是可以把它放在同一条规则上，你不需要新的规则。

Answer 2

DupeFilter 默认启用：http://doc.scrapy.org/en/latest/topics/settings.html#dupefilter-class 并且它基于请求 url。

我在没有任何自定义配置的新香草 scrapy 项目上尝试了您的蜘蛛的简化版本。 dupefilter 起作用了，在几次请求后爬网停止了。我会说你的设置或你的 scrapy 版本有问题。我建议你升级到 scrapy 1.0，以确保:)

$ pip install scrapy --pre

我测试的简化蜘蛛：

from scrapy.spiders import CrawlSpider
from scrapy.linkextractors import LinkExtractor
from scrapy import Item, Field
from scrapy.spiders import Rule 

class LsbuItem(Item):
    title = Field()
    url = Field()

class LsbuSpider(CrawlSpider):
    name = "lsbu6"
    allowed_domains = ["lsbu.ac.uk"]

    start_urls = [
        "http://www.lsbu.ac.uk"
    ]    

    rules = [
        Rule(LinkExtractor(allow=['lsbu.ac.uk/business-and-partners/.+']), callback='parse_item', follow=True),
    ]    

    def parse_item(self, response):
        scraped_bit = LsbuItem()
        scraped_bit['url'] = response.url
        yield scraped_bit

停止 Scrapy 抓取相同的 URL

Stop Scrapy crawling the same URLs

python

duplication

web-crawler

scrapy

web-scraping