停止Scrapy抓取相同的URL

Question

我已经编写了一个基本的Scrapy蜘蛛来抓取一个似乎运行良好的网站，除了它不想停止的事实，即它不断重访相同的网址并返回相同的内容 - 我总是最终不得不停止它。 我怀疑它一遍又一遍地在同一个网址上。 是否有规则可以阻止这种情况？ 或者我还有什么需要做的吗？ 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'

任何关于停止连续运行的帮助/指导/指导都将不胜感激......

因为我是这个的新手; 任何关于整理代码的评论也会有所帮助（或指向良好指令的链接）。

谢谢...

Answer 1

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

我在一个新的vanilla scrapy项目中尝试了一个简化版本的蜘蛛，没有任何自定义配置。 dupefilter工作，并在几次请求后停止了爬行。 我说你的设置或scrapy版本有问题。 我建议你升级到scrapy 1.0，只是为了确定:)

$ 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

Answer 2

您的设计使抓取进入圈内。 例如，有一个页面http://www.lsbu.ac.uk/business-and-partners/business ，打开时包含指向“ http://www.lsbu.ac.uk/business-and ”的链接- 合作伙伴/合作伙伴 ，然后再包含第一个链接。因此，您无限期地进入圈子。

为了克服这个问题，您需要创建更好的规则，从而消除循环引用。 而且，您定义了两个相同的规则，这是不需要的。 如果您想要follow您可以始终将其放在同一规则上，您不需要新规则。