我有一个蜘蛛,它以一小部分列表开头allowed_domains
在蜘蛛爬行的开始。当蜘蛛抓取从解析器内继续时,我需要动态地将更多域添加到此白名单中,但由于后续请求仍在过滤中,因此以下代码段无法完成此操作。还有更新的吗allowed_domains
在解析器内?
class APSpider(BaseSpider):
name = "APSpider"
allowed_domains = ["www.somedomain.com"]
start_urls = [
"http://www.somedomain.com/list-of-websites",
]
...
def parse(self, response):
soup = BeautifulSoup( response.body )
for link_tag in soup.findAll('td',{'class':'half-width'}):
_website = link_tag.find('a')['href']
u = urlparse.urlparse(_website)
self.allowed_domains.append(u.netloc)
yield Request(url=_website, callback=self.parse_secondary_site)
...
(在写下这个答案的同时,最新版本scrapy
is 1.0.3
。这个答案适用于所有最新版本scrapy
)
As the OffsiteMiddleware
读取内容allowed_domains
仅在处理预编译的正则表达式对象时初始化spider_opened
信号,值在allowed_domains
以后永远不会被访问。
因此只需更新内容allowed_domains
并不能解决问题。
基本上,需要两个步骤:
- 更新内容
allowed_domains
根据您的实际需要。
- 有正则表达式缓存
OffsiteMiddleware
神清气爽。
这是我用于步骤 #2 的代码:
# Refresh the regex cache for `allowed_domains`
for mw in self.crawler.engine.scraper.spidermw.middlewares:
if isinstance(mw, scrapy.spidermiddlewares.offsite.OffsiteMiddleware):
mw.spider_opened(self)
上面的代码应该在响应回调中调用,因此self
这里是蜘蛛类的一个实例。
也可以看看:
- 的源代码scrapy.spidermiddlewares.offsite.OffsiteMiddleware在 GitHub 上
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)