Scrapy没有提供任何此类信息。您可以设置
DEPTH_LIMIT每个蜘蛛,但不能设置每个域。
我们能做些什么?阅读代码,喝咖啡并解决(顺序很重要)。
我们的想法是禁用Scrapy的内置
DepthMiddleware和提供我们的定制一个来代替。
首先,让我们定义设置:
DOMAIN_DEPTHS
将是每域深度限制的字典DEPTH_LIMIT
设置,如果未配置域,我们将保留默认设置
设置示例:
DOMAIN_DEPTHS = {'amazon.com': 1, 'homedepot.com': 4}DEPTH_LIMIT = 3
好的,现在是自定义中间件(基于
DepthMiddleware):
from scrapy import logfrom scrapy.http import Requestimport tldextractclass DomainDepthMiddleware(object): def __init__(self, domain_depths, default_depth): self.domain_depths = domain_depths self.default_depth = default_depth @classmethod def from_crawler(cls, crawler): settings = crawler.settings domain_depths = settings.getdict('DOMAIN_DEPTHS', default={}) default_depth = settings.getint('DEPTH_LIMIT', 1) return cls(domain_depths, default_depth) def process_spider_output(self, response, result, spider): def _filter(request): if isinstance(request, Request): # get max depth per domain domain = tldextract.extract(request.url).registered_domain maxdepth = self.domain_depths.get(domain, self.default_depth) depth = response.meta.get('depth', 0) + 1 request.meta['depth'] = depth if maxdepth and depth > maxdepth: log.msg(format="Ignoring link (depth > %(maxdepth)d): %(requrl)s ", level=log.DEBUG, spider=spider, maxdepth=maxdepth, requrl=request.url) return False return True return (r for r in result or () if _filter(r))
请注意,它需要
tldextract安装模块(用于从url中提取域名):
>>> import tldextract>>> url = 'http://stackoverflow.com/questions/27805952/scrapy-set-depth-limit-per-allowed-domains'>>> tldextract.extract(url).registered_domain'stackoverflow.com'
现在,我们需要关闭默认的中间件并使用我们实现的中间件:
SPIDER_MIDDLEWARES = { 'myproject.middlewares.DomainDepthMiddleware': 900, 'scrapy.contrib.spidermiddleware.depth.DepthMiddleware': None}
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)