CrawlSpider需手动兜底漏页与死循环，rules中allow/deny为正则全串匹配而非子串判断，应锚定边界或优先deny；LinkExtractor用restrict_xpaths定位DOM区域更可靠；须设allowed_domains、深度控制和自定义去重。
CrawlSpider 不是“全自动全站爬虫”，它只按你定义的规则走，漏页或死循环都得自己兜底。
rules 里 allow 和 deny 的正则匹配逻辑容易误判
很多人以为 allow 是“只要 URL 包含某字符串就抓”，其实它是对整个 URL 字符串做 re.search，不是 in 判断。比如写 allow=r'news'，会匹配 https://example.com/newsletter，也可能意外抓到带 news 的无关资源（如 /static/js/news-banner.js）。
实操建议：
- 用
^和$锚定边界，例如allow=r'^/news/\d+\.html$' - 优先用
deny排除已知干扰路径：deny=(r'/login', r'/api/', r'\.pdf$') - 调试时打开
LOG_LEVEL='DEBUG'，观察CrawlSpider输出的 “Filtered offsite request” 或 “Ignoring link” 日志，确认哪些链接被规则放过或拦下
LinkExtractor 的 restrict_xpaths 比 allow 更可靠
仅靠 URL 正则容易过宽或过窄；真正可控的方式是先定位页面中“应该被跟进的链接”所在的 DOM 区域，再提取。比如新闻列表页，所有文章链接都在 <div class="list"> 下，那就用 restrict_xpaths='//div[@class="list"]//a'，比写一堆 URL 正则更稳。
立即学习“Python免费学习笔记（深入）”；
常见误区：
-
restrict_xpaths写成//a—— 这会提取页脚、导航栏、广告里的所有链接，极易爬偏 - 忽略
tags和attrs参数，默认只提<a href>，但有些站点用<area href>或<link data-href>，需显式指定 - 没设
unique=True（默认为 True），但若页面 JS 动态插入重复链接，仍可能重复请求
避免无限爬取的关键：域名限制 + 深度控制 + 去重机制
CrawlSpider 默认不限制爬取深度，也不校验是否跨站，一不留神就会从目标站跳到友链站、甚至爬完整个互联网。
必须加的防护项：
- 在 spider 类中显式声明
allowed_domains = ['example.com']，注意不带http://，且子域名要单独列（'blog.example.com'不会被'example.com'覆盖） - 用
Rule的process_request回调注入请求 meta，记录当前深度：meta={'depth': response.meta.get('depth', 0) + 1}，然后在parse_start_url或回调中检查if response.meta.get('depth', 0) > 5: return - Scrapy 自带
RFPDupeFilter基于 request fingerprint 去重，但若页面有分页参数（如?page=1&sort=date）而内容实际相同，就得自定义request_fingerprint函数，忽略无意义 query 参数
真实场景下，CrawlSpider 往往只是起点，不是终点
它适合结构清晰、链接规律强的旧式 CMS 站点（如 WordPress、Drupal 默认主题）。但遇到以下情况，硬套 CrawlSpider 反而增加维护成本：
- 前端路由由 Vue/React 管理，关键链接不在 HTML 源码里（得换
Splash或Playwright） - 列表页和详情页共用一个 API 接口，返回 JSON 数据（这时直接调 API 比解析 HTML 链接高效得多）
- 反爬严格，需要登录态、Referer、动态 token ——
CrawlSpider的规则层不处理这些，得退回到Spider手动发请求 + 维护 session
真正难的从来不是“怎么写出 rules”，而是判断哪些链接值得跟、哪些响应该丢弃、哪些字段必须补全 —— 这些逻辑藏在 parse 回调里，而不是 CrawlSpider 的骨架中。
