0
我正在構建一個可選登錄的遞歸webspider。我想通過json配置文件使大多數設置動態化。scrapy InitSpider:在__init__中設置規則?
在我的__init__
函數中,我正在閱讀此文件並嘗試填充所有變量,但是,這不適用於Rules
。
class CrawlpySpider(InitSpider):
...
#----------------------------------------------------------------------
def __init__(self, *args, **kwargs):
"""Constructor: overwrite parent __init__ function"""
# Call parent init
super(CrawlpySpider, self).__init__(*args, **kwargs)
# Get command line arg provided configuration param
config_file = kwargs.get('config')
# Validate configuration file parameter
if not config_file:
logging.error('Missing argument "-a config"')
logging.error('Usage: scrapy crawl crawlpy -a config=/path/to/config.json')
self.abort = True
# Check if it is actually a file
elif not os.path.isfile(config_file):
logging.error('Specified config file does not exist')
logging.error('Not found in: "' + config_file + '"')
self.abort = True
# All good, read config
else:
# Load json config
fpointer = open(config_file)
data = fpointer.read()
fpointer.close()
# convert JSON to dict
config = json.loads(data)
# config['rules'] is simply a string array which looks like this:
# config['rules'] = [
# 'password',
# 'reset',
# 'delete',
# 'disable',
# 'drop',
# 'logout',
# ]
CrawlpySpider.rules = (
Rule(
LinkExtractor(
allow_domains=(self.allowed_domains),
unique=True,
deny=tuple(config['rules'])
),
callback='parse',
follow=False
),
)
Scrapy仍然爬存在於config['rules']
,因此也打0頁面的頁面。所以指定的頁面不會被拒絕。我在這裏錯過了什麼?
更新:
我已經通過設置CrawlpySpider.rules = ...
以及self.rules = ...
內__init__
嘗試。兩種變體都不起作用。
- 蜘蛛:
InitSpider
- 規則:
LinkExtractor
- 爬行前:做事先登錄爬行
我甚至試圖否認,在我的parse
功能
# Dive deeper?
# The nesting depth is now handled via a custom middle-ware (middlewares.py)
#if curr_depth < self.max_depth or self.max_depth == 0:
links = LinkExtractor().extract_links(response)
for link in links:
for ignore in self.ignores:
if (ignore not in link.url) and (ignore.lower() not in link.url.lower()) and link.url.find(ignore) == -1:
yield Request(link.url, meta={'depth': curr_depth+1, 'referer': response.url})
我也試過,以及它沒有工作。我已將這些信息添加到我的問題中。 – cytopia
InitSpider似乎沒有像'_compile_rules'這樣的東西(就像CrawlSpider一樣)。顯然它看起來像InitSpider甚至沒有規則,因爲它只是從Spider繼承而來。 CrawlSpider確實實現了這一切。 – cytopia