Web 如何用Scrapy爬行整个网站？

我无法爬行整个网站，Scrapy只能在表面爬行，我想爬得更深。过去5-6个小时一直在谷歌上搜索，但没有任何帮助。我的代码如下：

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.item import Item
from scrapy.spider import BaseSpider
from scrapy import log

class ExampleSpider(CrawlSpider):
    name = "example.com"
    allowed_domains = ["example.com"]
    start_urls = ["http://www.example.com/"]
    rules = [Rule(SgmlLinkExtractor(allow=()), 
                  follow=True),
             Rule(SgmlLinkExtractor(allow=()), callback='parse_item')
    ]
    def parse_item(self,response):
        self.log('A response from %s just arrived!' % response.url)

---

规则短路，这意味着链接满足的第一个规则将是应用的规则，第二个规则（带回调）将不会被调用

将规则更改为：

rules = [Rule(SgmlLinkExtractor(), callback='parse_item', follow=True)]

---

解析

start\u URL

时，标记

href

可以解析更深的URL。然后，可以在函数

parse（）

中生成更深层次的请求。最重要的源代码如下所示：

from scrapy.spiders import Spider
from tutsplus.items import TutsplusItem
from scrapy.http    import Request
import re

class MySpider(Spider):
    name            = "tutsplus"
    allowed_domains = ["code.tutsplus.com"]
    start_urls      = ["http://code.tutsplus.com/"]

    def parse(self, response):
        links = response.xpath('//a/@href').extract()

        # We stored already crawled links in this list
        crawledLinks = []

        # Pattern to check proper link
        # I only want to get tutorial posts
        linkPattern = re.compile("^\/tutorials\?page=\d+")

        for link in links:
        # If it is a proper link and is not checked yet, yield it to the Spider
            if linkPattern.match(link) and not link in crawledLinks:
                link = "http://code.tutsplus.com" + link
                crawledLinks.append(link)
                yield Request(link, self.parse)

        titles = response.xpath('//a[contains(@class, "posts__post-title")]/h1/text()').extract()
        for title in titles:
            item = TutsplusItem()
            item["title"] = title
            yield item

---

刚刚试过你的代码对抗stackoverflow-我的ip被禁止了。它确实有效！：）@Alexander-听起来鼓励我调试更多：）：。。。对不起，我的IP禁令伙计！你真的在尝试抓取example.com吗？你知道那不是一个真正的网站。你想爬哪个网站？“example.com”只用于代表性目的。我在尝试爬地标。com@All-开始工作了。。。史蒂文是对的，谢谢你的帮助！但我无法抓取整个网站，只能抓取大约80多个页面。。有什么需要纠正的吗？这是我的工作版本：（Rule（SgmlLinkExtractor（allow=（'pages/'）），follow=True，callback='parse_item'），）嗨！你介意在这方面提供帮助吗？@Steven Almeroth Hi Steven你能帮忙吗？我尝试了规则中的更改，但对我无效。dmoz.org在href中没有任何带有“Items”的链接，因此你的规则找不到任何链接，这就是你的Items.json文件为空的原因。