停止抓取相同的网址

Question

我写了一个基本的爬行蜘蛛来抓取一个看起来运行良好的网站，除了它不想停止的事实之外，也就是说，它不断地访问相同的网址并返回相同的内容-我总是不得不停止它。我怀疑它会一遍又一遍地浏览同一个网址。有什么规则可以阻止这一切吗？或者我还有别的事要做吗？也许是中间件？在

卡盘如下：

class LsbuSpider(CrawlSpider):
name = "lsbu6"
allowed_domains = ["lsbu.ac.uk"]
start_urls = [
    "http://www.lsbu.ac.uk"
]
rules = [
    Rule(SgmlLinkExtractor(allow=['lsbu.ac.uk/business-and-partners/.+']), callback='parse_item', follow=True),
]

def parse_item(self, response):
    join = Join()
    sel = Selector(response)
    bits = sel.xpath('//*')
    scraped_bits = []            
    for bit in bits:
        scraped_bit = LsbuItem()
        scraped_bit['title'] = scraped_bit.xpath('//title/text()').extract()
        scraped_bit['desc'] = join(bit.xpath('//*[@id="main_content_main_column"]//text()').extract()).strip()
        scraped_bits.append(scraped_bit)

    return scraped_bits

我的settings.py文件如下所示

^{pr2}$

如有任何关于停止其连续运行的帮助/指导/指示，我们将不胜感激。。。在

因为我是一个新手，任何关于整理代码的评论也会很有帮助（或者链接到好的指导）。在

谢谢。。。在

Answer 1

DupeFilter默认启用：http://doc.scrapy.org/en/latest/topics/settings.html#dupefilter-class，它基于请求url。在

我在一个新的香草屑项目上尝试了一个简化版的spider，没有任何自定义配置。dupefilter正常工作，在几次请求之后爬网停止。我得说你的设置或者你的破版本有问题。我建议您升级到scrapy 1.0，只是为了确定：）

$ pip install scrapy  pre

我测试的简化蜘蛛：

^{pr2}$

Answer 2

你的设计让爬行成圈。例如，有一个页面http://www.lsbu.ac.uk/business-and-partners/business，打开时包含指向“http://www.lsbu.ac.uk/business-and-partners/partners”的链接，而该页面又包含指向第一个页面的链接。因此，你无限期地绕圈子。在

为了克服这个问题，您需要创建更好的规则，消除循环引用。 而且，您定义了两个相同的规则，这是不需要的。如果你想要follow你可以把它放在同一个规则上，你不需要一个新的规则。在