Python 不可忽略的scrapy deny规则

我从数据库中动态获取了一些规则，并将它们添加到我的spider中：

        self.name =  exSettings['site']
        self.allowed_domains = [exSettings['root']]
        self.start_urls = ['http://' + exSettings['root']]

        self.rules =  [Rule(SgmlLinkExtractor(allow=(exSettings['root'] + '$',)), follow= True)]
        denyRules = []

        for rule in exSettings['settings']:
            linkRegex = rule['link_regex']

            if rule['link_type'] == 'property_url':
                propertyRule = Rule(SgmlLinkExtractor(allow=(linkRegex,)), follow=True, callback='parseProperty')
                self.rules.insert(0, propertyRule)
                self.listingEx.append({'link_regex': linkRegex, 'extraction': rule['extraction']})

            elif rule['link_type'] == 'project_url':
                projectRule = Rule(SgmlLinkExtractor(allow=(linkRegex,)), follow=True) #not set to crawl yet due to conflict if same links appear for both
                self.rules.insert(0, projectRule)

            elif rule['link_type'] == 'favorable_url':
                favorableRule = Rule(SgmlLinkExtractor(allow=(linkRegex,)), follow=True)
                self.rules.append(favorableRule)

            elif rule['link_type'] == 'ignore_url':
                denyRules.append(linkRegex)

        #somehow all urls will get ignored if allow is empty and put as the first rule
        d = Rule(SgmlLinkExtractor(allow=('testingonly',), deny=tuple(denyRules)), follow=True)

        #self.rules.insert(0,d) #I have tried with both status but same results
        self.rules.append(d)

我的数据库中有以下规则：

link_regex: /listing/\d+/.+  (property_url)
link_regex: /project-listings/.+    (favorable_url)
link_regex: singapore-property-listing/   (favorable_url)
link_regex: /mrt/  (ignore_url)

我在日志中看到：

 http://www.propertyguru.com.sg/singapore-property-listing/property-for-sale/mrt/125/ang-mo-kio-mrt-station> (referer: http://www.propertyguru.com.sg/listing/8277630/for-sale-thomson-grand-6-star-development-)

---

/mrt/

不应该被拒绝吗？为什么我仍然对上面的链接进行爬网？

据我所知，

deny

参数必须位于相同的

SgmlLinkExtractor

，它具有

allow

模式

在您的案例中，您创建了

SgmlLinkExtractor

，它允许

有利的url

（

'singapore-property-listing/'

）。但是这个提取器没有任何

deny

模式，所以它也提取

/mrt/

要解决此问题，您应该向相应的

SgmlLinkExtractor

s添加

deny

模式。另外，请参见

---

也许有一些方法可以定义全局

deny

模式，但我没有看到它们。

是的，你是对的。查看源代码后，deny只会跳过匹配的链接，但它仍会在后续规则中将跳过的链接传递给提取器。