Scrapy - LinkExtractor 和设置 DEPTH_LIMIT 不起作用？

Question

所以我传递了一个start_url，它是一页新闻文章（例如cnn.com）。但是，我只想提取新闻文章本身，我不想关注文章页面上的任何链接。为此，我使用具有以下规则的CrawlSpider：

rules = (
    Rule(LinkExtractor(allow=('regexToMatchArticleUrls',),
    deny=('someDenyUrls')), callback='parse_article_page'),
)

def parse_article_page(self,response): 
    #extracts the title, date, body, etc of article 

我已启用scrapy.spidermiddlewares.depth.DepthMiddleware 并设置DEPTH_LIMIT = 1。

但是，我仍然会从恰好与 regexToMatchArticleUrls 匹配的各个文章页面抓取链接，因为它们是指向同一网站其他部分的链接（我无法使正则表达式更具限制性）。

但是，当DEPTH_LIMIT=1 出现时，为什么这些链接会被抓取？是不是因为DEPTH_LIMIT 重置了从LinkExtractor 提取的每个链接，即。文章页面网址？有没有办法让DEPTH_LIMIT 工作或扩展DepthMiddleware 以不抓取文章页面上的链接？谢谢！

Answer 1

为了让 DepthMiddleware 正常工作，需要将元属性从一个请求传递到另一个请求，否则，depth 将在每个新请求后设置为 0。

不幸的是，默认情况下，CrawlSpider 不会在一个请求到下一个请求中保留此元属性。

这可以通过使用蜘蛛中间件 (middlewares.py) 来解决：

from scrapy import Request


class StickyDepthSpiderMiddleware:

    def process_spider_output(self, response, result, spider):
        key_found = response.meta.get('depth', None)
        for x in result:
            if isinstance(x, Request) and key_found is not None:
                x.meta.setdefault('depth', key_found)
            yield x

另外，不要忘记在您的 settings.py 中包含此中间件：

SPIDER_MIDDLEWARES = { '{your_project_name}.middlewares.StickyDepthSpiderMiddleware' : 100 }