Scrapy 教程:递归爬取包含指定标题的卡片所在所有页面 URL

轻芳同学_9221

轻芳同学_9221

2026-08-25

500人浏览

原创

Scrapy 教程:递归爬取包含指定标题的卡片所在所有页面 URL

本文介绍如何使用 scrapy 实现递归爬虫,自动发现并提取网站中所有包含特定标题(如“az school safety program”)的卡片所在的完整页面 url,避免手动查找,同时兼顾效率与合规性。

本文介绍如何使用 scrapy 实现递归爬虫,自动发现并提取网站中所有包含特定标题(如“az school safety program”)的卡片所在的完整页面 url,避免手动查找,同时兼顾效率与合规性。

在实际网页抓取任务中,常遇到同一内容模块(如项目卡片)被复用在多个页面的情况。例如目标站点 lawforkids.org 中,“AZ School Safety Program”这一标题出现在 /officers、/educators、/programs 等多个路径下。若仅靠单层解析无法覆盖全站分布,必须启用递归遍历 + 内容匹配策略。

以下是一个完整、可运行的 Scrapy 爬虫实现,专为该类场景设计:

import scrapy

class PostsSpider(scrapy.Spider):
    name = "card"

    # 限制爬取深度,防止过度请求和服务器压力
    custom_settings = {
        'DEPTH_LIMIT': 1,
        'DEPTH_PRIORITY': 1,
        'ROBOTSTXT_OBEY': True,  # 尊重 robots.txt(推荐开启)
        'DOWNLOAD_DELAY': 1,     # 建议添加延迟,体现爬虫礼仪
    }

    def start_requests(self):
        # 明确起始 URL,支持多个入口点
        urls = ["https://lawforkids.org"]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        # 跳过非 HTML 响应(如 PDF、图片、API 接口等)
        content_type = response.headers.get('Content-Type', b'').decode()
        if 'text/html' not in content_type:
            return

        # 定位所有卡片容器,并提取标题进行精确匹配
        for card in response.css("div.card-body"):
            title = card.css("h5.card-title::text").get(default="").strip()
            if title == "AZ School Safety Program":
                yield {
                    "title": title,
                    "url": response.url
                }

        # 递归抓取当前页内所有站内链接(仅限 lawforkids.org 域名)
        for a_tag in response.css('a[href]'):
            link = a_tag.css('::attr(href)').get()
            if not link:
                continue
            absolute_link = response.urljoin(link)
            # 严格限定为同域链接,避免爬出目标范围
            if absolute_link.startswith("https://lawforkids.org"):
                yield scrapy.Request(
                    url=absolute_link,
                    callback=self.parse,
                    # 可选:携带优先级或元数据便于调试
                    cb_kwargs={"source_url": response.url}
                )

✅ 关键设计说明:

  • 使用 start_requests() 替代 start_urls,便于灵活控制请求逻辑;
  • response.urljoin() 确保相对 URL 正确转为绝对 URL;
  • custom_settings 中设置 DEPTH_LIMIT=1 平衡覆盖率与性能——实测已能捕获 /programs/lre-academy 等深层路径;如需更广覆盖,可谨慎提升至 2,但务必同步增加 DOWNLOAD_DELAY 和监控响应状态;
  • ROBOTSTXT_OBEY=True 和 DOWNLOAD_DELAY=1 是负责任爬虫的基本实践,强烈建议保留;
  • 标题比对采用 .strip() 和 default="" 防止空格或 None 引发异常,增强鲁棒性。

运行命令如下(输出为 JSONL 格式,便于后续处理):

scrapy crawl card -o matches.jsonl

输出示例:

{"title": "AZ School Safety Program", "url": "https://lawforkids.org/programs"}
{"title": "AZ School Safety Program", "url": "https://lawforkids.org/officers"}
{"title": "AZ School Safety Program", "url": "https://lawforkids.org/educators"}

⚠️ 注意事项:

  • 切勿移除域名校验(startswith("https://lawforkids.org")),否则可能意外爬取外部资源甚至陷入无限循环;
  • 若目标标题存在大小写变体或前后缀(如带括号、空格数不一),建议改用正则模糊匹配:
    import re
    if re.search(r"AZ\s+School\s+Safety\s+Program", title, re.I):
  • 生产环境建议添加 HTTPERROR_ALLOWED_CODES = [403, 404] 并在 parse 中处理异常响应,避免中断整个爬取流程。

通过本方案,你不仅能精准定位多页面复用的内容单元,还能以可控、可审计、符合 Web 礼仪的方式完成全站扫描——这才是专业级 Scrapy 爬虫应有的姿态。

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

本站声明: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admin@php.cn

相关专题

更多
免费爬虫工具有哪些
免费爬虫工具有哪些

免费爬虫工具有Scrapy、Beautiful Soup、ParseHub、Octoparse、Webocton Scriptly、RoboBrowser和Goutte。更多关于免费爬虫工具的问题,详情请看本专题下面的文章。php中文网欢迎大家前来学习。

2023.11.10

6133

9

CVE-2026-114938高危漏洞修复
CVE-2026-114938高危漏洞修复

Java4Shell是OpenJDK Base64解码路径中的远程代码执行漏洞,编号CVE-2026-114938,2026年11月17日披露,官方已发布17.0.21.1、21.0.13.1等修复版本,建议优先升级 。本专题围绕Java4Shell(CVE-2026-114938)持续更新,从漏洞原理、受影响版本、受影响产品到修复与自查一站式汇总,适合Java开发、运维与安全人员快速定位风险。ARM64环境不受影响,x86-64环境请

2026.11.22

0

11

Navicat创建数据库教程
Navicat创建数据库教程

本专题整理Navicat创建数据库相关教程,介绍新建前的准备、基础设置和创建后的检查方法。内容兼顾入门学习及实际使用需求,帮助用户了解不同数据库类型下的操作差异,为后续建表、保存数据和日常管理提供参考。

2026.11.20

20

7

Navicat入门教程大全
Navicat入门教程大全

本专题整理Navicat入门教程,从认识软件界面到开展数据库操作,介绍初次使用需要了解的知识和方法。内容兼顾连接配置、数据管理及日常使用中的疑问,方便用户按学习进度查阅,为后续实践和独立操作打好基础。

2026.11.20

20

17

Navicat数据库连接配置指南
Navicat数据库连接配置指南

从确认数据库信息到建立可用连接,本专题串联Navicat连接数据库的相关知识和操作方法。既有初次配置时需要了解的基础内容,也有连接后的检查思路,方便用户按实际需求查阅教程,逐步熟悉数据库连接的设置流程。

2026.11.20

0

10

PHP8.6数组与数据处理教程
PHP8.6数组与数据处理教程

本专题汇总PHP8.6数组与数据处理教程,涵盖CSV读取和导出、引用遍历删除、array_filter回调模式、配置键名冲突、pathinfo文件名校验、GMP大整数进制转换及UTF-8正则筛选,说明升级兼容变化、输入范围和失败处理方法。

2026.11.20

60

8

PHP8.6升级迁移教程
PHP8.6升级迁移教程

本专题汇总PHP8.6升级迁移与弃用接口改造教程,涵盖反射调用、对象属性赋值、标识符更名、构造函数与__debugInfo调整,以及插件类名检查、常量导出、ArrayIterator排序、SPL和DTO查询参数转换,帮助梳理弃用提示并完成代码兼容改造。

2026.11.20

20

10

PHP8.6安装配置与FPM运维教程
PHP8.6安装配置与FPM运维教程

本专题汇总PHP8.6正式版安装部署与FPM运维教程,涵盖Linux并存安装、独立ini配置、扩展重新编译、Nginx切换与回滚、FPM状态监控和慢日志排查,以及环境变量、请求超时、OPcache刷新和预加载配置。

2026.11.20

40

10

Nginx CVE-2026-123007排查与防护指南
Nginx CVE-2026-123007排查与防护指南

Nginx HTTP/2漏洞该怎么修复?本专题围绕CVE-2026-123007,介绍安全版本升级、模块兼容检查和配置恢复方法,以及日志排查、权限设置等后续加固操作,方便你按实际部署情况查找对应教程。

2026.11.20

40

8

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.8万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.5万人学习