Scrapy 正在跟踪并抓取不允许的链接

Question

我有一个 CrawlSpider 设置为跟踪某些链接并抓取一本新闻杂志，其中每期的链接都遵循以下 URL 方案：

http ://example.com/YYYY/DDDD/index.htm，其中 YYYY 是年份，DDDD 是三位数或四位数的发行号。

我只想要第 928 期以后的问题，并有下面的规则。我在连接到网站、抓取链接或提取项目时没有任何问题（因此我没有包含其余的代码）。蜘蛛似乎决心遵循不允许的链接。它正在尝试抓取问题 377、398 等，并跟踪“culture.htm”和“feature.htm”链接。这会引发很多错误，并不是非常重要，但它需要大量的数据清理。关于出了什么问题有什么建议吗？

class crawlerNameSpider(CrawlSpider):
name = 'crawler'
allowed_domains = ["example.com"]
start_urls = ["http://example.com/issues.htm"]

rules = (
        Rule(SgmlLinkExtractor(allow = ('\d\d\d\d/(92[8-9]|9[3-9][0-9]|\d\d\d\d)/index\.htm', )), follow = True),
        Rule(SgmlLinkExtractor(allow = ('fr[0-9].htm', )), callback = 'parse_item'),
        Rule(SgmlLinkExtractor(allow = ('eg[0-9]*.htm', )), callback = 'parse_item'),
        Rule(SgmlLinkExtractor(allow = ('ec[0-9]*.htm', )), callback = 'parse_item'),
        Rule(SgmlLinkExtractor(allow = ('op[0-9]*.htm', )), callback = 'parse_item'),
        Rule(SgmlLinkExtractor(allow = ('sc[0-9]*.htm', )), callback = 'parse_item'),
        Rule(SgmlLinkExtractor(allow = ('re[0-9]*.htm', )), callback = 'parse_item'),
        Rule(SgmlLinkExtractor(allow = ('in[0-9]*.htm', )), callback = 'parse_item'),
        Rule(SgmlLinkExtractor(deny = ('culture.htm', )), ),
        Rule(SgmlLinkExtractor(deny = ('feature.htm', )), ),
    )

编辑：我使用更简单的正则表达式 fot 2009、2010、2011 修复了这个问题，但我仍然很好奇，如果有人有任何建议，为什么上面的方法不起作用。

Answer 1

您需要将 deny 参数传递给 SgmlLinkExtractor，它会收集指向 follow 的链接。如果它们调用一个函数 parse_item，您就不需要创建这么多 Rule。我会将您的代码编写为：

rules = (
        Rule(SgmlLinkExtractor(
                    allow = ('\d\d\d\d/(92[8-9]|9[3-9][0-9]|\d\d\d\d)/index\.htm', ),
                    deny = ('culture\.htm', 'feature\.htm'),
                    ), 
            follow = True
        ),
        Rule(SgmlLinkExtractor(
                allow = (
                    'fr[0-9].htm', 
                    'eg[0-9]*.htm',
                    'ec[0-9]*.htm',
                    'op[0-9]*.htm',
                    'sc[0-9]*.htm',
                    're[0-9]*.htm',
                    'in[0-9]*.htm',
                    )
                ), 
                callback = 'parse_item',
        ),
    )

如果您用于 parse_item 的规则中存在真实的 url 模式，则可以将其简化为：

 Rule(SgmlLinkExtractor(
                allow = ('(fr|eg|ec|op|sc|re|in)[0-9]*\.htm', ), 
                callback = 'parse_item',
        ),
 )