如何在Python中使用Scrapy框架的CrawlSpider实现全站自动爬取?

雨瑶吖_3786

雨瑶吖_3786

2026-11-23

991人浏览

原创

CrawlSpider的rules不生效,主因是LinkExtractor默认仅提取标准链接且过滤含参、JS渲染等URL;需手动测试提取效果、调整allow/deny正则、检查DEPTH_LIMIT和ROBOTSTXT_OBEY等限制。

如何在python中使用scrapy框架的crawlspider实现全站自动爬取?

为什么 CrawlSpider 的 rules 一直不生效?

绝大多数人卡在这一步:写了 rules 却没触发任何 follow 行为。根本原因是 CrawlSpider 不会自动解析响应体——它依赖你显式指定 LinkExtractor 去提取链接,而默认的 LinkExtractor() 只抓 ,且默认忽略 nofollow、javascript:、带参数的 URL(如 ?page=2)等。

实操建议:

  • 先用 scrapy shell "https://example.com" 手动测试:from scrapy.linkextractors import LinkExtractor; le = LinkExtractor(); le.extract_links(response),确认是否真能提取到目标链接
  • 如果页面用 JS 渲染或链接藏在 <script></script> 或 JSON 中,CrawlSpider 天然不适用,得退回到 Spider + 手动 response.css()/response.xpath() 提取
  • 常见漏配:忘记加 allow_domains 导致跨域被过滤;或 deny 正则写太宽(如 deny=(r'/login',) 却把 /login-success 也拦了)

如何让 CrawlSpider 爬完列表页再进详情页?

这是全站爬取的核心逻辑分层问题。CrawlSpider 的 rules 是顺序匹配的,靠 follow=True/False 控制是否继续爬取提取出的链接,靠 callback 指定该链接由哪个方法处理。

典型配置示例:

rules = (
    # 列表页:提取下一页 + 所有文章链接,但不解析内容
    Rule(LinkExtractor(allow=r'/category/.+/\?page=\d+'), follow=True),
    Rule(LinkExtractor(allow=r'/article/\d+\.html'), follow=False, callback='parse_item'),
<pre class="brush:php;toolbar:false;"># 首页入口(可选)
Rule(LinkExtractor(allow=r'^/$'), follow=True),

)

关键点:

Define repeatable Python automation sessions in code with nox
Define repeatable Python automation sessions in code with nox

将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。

下载
  • follow=True 表示提取到的链接会再次交给 CrawlSpider 走一遍 rules 匹配(适合翻页、栏目导航)
  • follow=False + callback='parse_item' 表示该链接只调一次回调函数(适合详情页),此时你必须自己写 parse_item(self, response) 提取字段
  • 规则顺序很重要:更具体的 allow 正则要放在前面,否则可能被泛匹配规则提前 consume 掉

爬着爬着就停了?检查这三处硬限制

CrawlSpider 默认行为比想象中保守,几个内置限制常导致“爬了几页就静音”:

  • DEPTH_LIMIT:默认无限制,但如果你在 settings.py 里设了 DEPTH_LIMIT = 2,那从 start_urls 开始算,列表页是 depth=1,详情页就是 depth=2,再深就不进了
  • ROBOTSTXT_OBEY = True(默认开启):如果目标站 robots.txt 把 /article/ 段路径 disallow 了,Scrapy 会直接跳过,连 request 都不发——用 scrapy fetch --headers https://example.com/robots.txt 查一眼
  • 去重机制:RFPDupeFilter 对 URL 做标准化后判重,比如 https://a.com/p?id=1&utm_source=xxx 和 https://a.com/p?id=1 可能被当成同一 URL。需要自定义去重逻辑时,得重写 request_fingerprint

Rule 中的 LinkExtractor 参数怎么选才不丢链接?

丢链接不是代码写错了,而是 LinkExtractor 的默认参数太“洁癖”。比如它默认 deny_extensions 包含 .pdf、.zip,但你要爬的文档页 URL 恰好是 /manual.pdf,那就直接被筛掉了。

常用调整项:

  • 强制提取所有 :LinkExtractor(tags=('a', 'area'), attrs=('href',))
  • 允许带查询参数的链接:LinkExtractor(allow=r'/post/\d+', canonicalize=False)(canonicalize=True 会删掉 ? 后面部分)
  • 提取非 中的链接(如
    ):LinkExtractor(tags=('div',), attrs=('data-url',))
  • 忽略 robots.txt 限制(仅调试用):LinkExtractor(..., deny_extensions=())
  • 真正难的不是写对正则,而是先搞清目标站的 URL 规律——用浏览器开发者工具 Network 面板看真实请求,比死磕 LinkExtractor 参数高效得多。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

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:

python

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
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1991

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5684

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1929

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34997

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4067

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4087

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3183

5

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
相关推荐
/
热门推荐
/
最新课程