Scrapy Crawl Spider 只刮取一定数量的层数

Question

您好，我想使用 Scrapy CrawlSpider 类（此处的文档）抓取网络的所有页面。

class MySpider(CrawlSpider):
    name = 'abc.com'
    allowed_domains = ['abc.com']
    start_urls = ['http://www.abc.com']

    rules = (
        Rule(SgmlLinkExtractor(allow=('item\.php', )), callback='parse_item')
    )

    def parse_item(self, response):
        self.log('Hi, this is an item page! %s' % response.url)
        ...

(1) 因此，这个蜘蛛将从 start_urls 中定义的页面 www.abc.com 开始，它会自动进行解析...然后跟踪 www.abc.com 中的每个链接，该链接位于规则对吗？我想知道有没有办法让我只能刮一定数量的层..比如说只刮第一层（直接来自 www.abc.com 的链接）？

(2) 由于我在 allowed_deomains 中定义了只有 abc.com url 会被抓取。所以我不需要在规则中重新定义它？并做这样的事情：

Rule(SgmlLinkExtractor(allow=('item\.php', )), allow_domains="www.abc.com", callback='parse_item')

（3）如果我使用crawlspider，如果我不在spider类中定义规则会发生什么？它会抓取所有页面吗？或者它甚至不会遵循任何一条，因为规则尚未得到“满足”？

Answer 1

\n

1. 设置DEPTH_LIMIT设置：

   \n\n

   \n

   深度限制\xc2\xb6

   \n\n

   默认值：0

   \n\n

   任何网站允许抓取的最大深度。如果为零，则不会施加任何限制。

   \n

\n

2. 不，您不需要添加额外的 url 检查。如果您未指定allow_domains级别Rule，它将仅提取带有以下内容的 URL：abc.com域的 URL。

\n
3. 如果您不定义规则，它将不会提取任何 URL（将像BaseSpider）。
\n

\n\n

希望有帮助。

\n