Scrapy忽略noindex

Question

我爬行大量的網址，並想知道是否有可能讓scrapy不用'meta name =「robots」content =「noindex」'解析頁面？ 看看這裏列出的拒絕規則http://doc.scrapy.org/en/latest/topics/link-extractors.html它看起來像拒絕規則只適用於URL。你可以讓scrapy忽略xpath嗎？

from scrapy.selector import HtmlXPathSelector 
from scrapy.contrib.spiders import CrawlSpider, Rule 
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor 

from wallspider.items import Website 


class Spider(CrawlSpider): 
    name = "browsetest" 
    allowed_domains = ["www.mydomain.com"] 
    start_urls = ["http://www.mydomain.com",] 

    rules = (
     Rule(SgmlLinkExtractor(allow=('/browse/')), callback="parse_items", follow= True), 
     Rule(SgmlLinkExtractor(allow=(),unique=True,deny=('/[1-9]$', '(bti=)[1-9]+(?:\.[1-9]*)?', '(sort_by=)[a-zA-Z]', '(sort_by=)[1-9]+(?:\.[1-9]*)?', '(ic=32_)[1-9]+(?:\.[1-9]*)?', '(ic=60_)[0-9]+(?:\.[0-9]*)?', '(search_sort=)[1-9]+(?:\.[1-9]*)?', 'browse-ng.do\?', '/page/', '/ip/', 'out\+value', 'fn=', 'customer_rating', 'special_offers', 'search_sort=&', 'facet='))), 
    ) 

    def parse_items(self, response): 
     hxs = HtmlXPathSelector(response) 
     sites = hxs.select('//html') 
     items = [] 

     for site in sites: 
      item = Website() 
      item['url'] = response.url 
      item['canonical'] = site.xpath('//head/link[@rel="canonical"]/@href').extract() 
      item['robots'] = site.select('//meta[@name="robots"]/@content').extract() 
      items.append(item) 

     return items 

Answer 1

不幸的是，CrawlSpider沒有提供您想要做的選項。儘管如此，你可以重寫它的方法來實現它。

嘗試增加這個方法將你的蜘蛛：

def _response_downloaded(self, response): 
     # Check whether this page contains the meta noindex in order to skip the processing. 
     sel = Selector(response) 
     if sel.xpath('//meta[@content="noindex"]'): 
      return 

     return super(Spider, self)._response_downloaded(response) 

每當文件是不夠的，你可以查看源代碼，看看有什麼可以改變，在哪裏，只是要小心你使用的是什麼版本。您可以瀏覽github上的最新源代碼：https://github.com/scrapy/scrapy/blob/master/scrapy/contrib/spiders/crawl.py#L61

但更好的方法是檢查系統中的源代碼。如果您正在使用IPython，可以使用??運算符輕鬆完成。