如何在pythonscrapy中限制每个站点的关注页面数

Question

我正在尝试建立一个蜘蛛，可以有效地从许多网站抓取文本信息。因为我是一个Python用户，我被称为Scrapy。然而，为了避免抓取巨大的网站，我想限制蜘蛛在每个网站上不超过20页的特定“深度”。这是我的蜘蛛：

class DownloadSpider(CrawlSpider):
    name = 'downloader'
    download_path = '/home/MyProjects/crawler'
    rules = (Rule(SgmlLinkExtractor(), callback='parse_item', follow=True),)

    def __init__(self, *args, **kwargs):
        super(DownloadSpider, self).__init__(*args, **kwargs)
        self.urls_file_path = [kwargs.get('urls_file')]
        data = open(self.urls_file_path[0], 'r').readlines()
        self.allowed_domains = [urlparse(i).hostname.strip() for i in data] 
        self.start_urls = ['http://' + domain for domain in self.allowed_domains]

    def parse_start_url(self, response):
        return self.parse_item(response)

    def parse_item(self, response):
        self.fname = self.download_path + urlparse(response.url).hostname.strip()
        open(str(self.fname)+ '.txt', 'a').write(response.url)
        open(str(self.fname)+ '.txt', 'a').write('\n')

url_file是指向包含url的文本文件的路径。我还在设置文件中设置了最大深度。我的问题是：如果我设置CLOSESPIDER_PAGECOUNT异常，那么当总的页面数（不管是哪个站点）达到异常值时，它会关闭spider。然而，我需要停止刮取，当我已经刮，比如从每个网址20页。 我还试着用一个像自我分析的_编号+=1，但这也不起作用——看来，scrapy不是逐个url，而是将它们混合在一起。 任何建议都将不胜感激！在

Answer 1

为此，您可以基于SgmlLinkExtractor创建自己的链接提取器类。应该是这样的：

from scrapy.selector import Selector
from scrapy.utils.response import get_base_url

from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor

class LimitedLinkExtractor(SgmlLinkExtractor):
    def __init__(self, allow=(), deny=(), allow_domains=(), deny_domains=(), restrict_xpaths=(),
                 tags=('a', 'area'), attrs=('href'), canonicalize=True, unique=True, process_value=None,
                 deny_extensions=None, max_pages=20):
        self.max_pages=max_pages

        SgmlLinkExtractor.__init__(self, allow=allow, deny=deny, allow_domains=allow_domains, deny_domains=deny_domains, restrict_xpaths=restrict_xpaths,
                 tags=tags, attrs=attrs, canonicalize=canonicalize, unique=unique, process_value=process_value,
                 deny_extensions=deny_extensions)

    def extract_links(self, response):
        base_url = None
        if self.restrict_xpaths:
            sel = Selector(response)
            base_url = get_base_url(response)
            body = u''.join(f
                            for x in self.restrict_xpaths
                            for f in sel.xpath(x).extract()
                            ).encode(response.encoding, errors='xmlcharrefreplace')
        else:
            body = response.body

        links = self._extract_links(body, response.url, response.encoding, base_url)
        links = self._process_links(links)
        links = links[0:self.max_pages]
        return links

此子类的代码完全基于SgmlLinkExtractor类的代码。我刚刚添加了变量self.max_页到类构造函数和在提取链接方法末尾剪切链接列表的行。但你可以用更聪明的方式来删除这个列表。在

Answer 2

我将生成每类变量，在parse_item中用stats = defaultdict(int)和递增self.stats[response.url]（或者在您的例子中可能是一个像(website, depth)的元组）初始化它。在

我就是这么想的-理论上应该行得通。如果你需要一个例子，请告诉我。在

仅供参考，您可以在urlparse.urlparse的帮助下提取基url并计算深度（请参见docs）。在