讲师中心 微信公众号

工具推荐

视频效率加速
Laper
Laper

剧本策划到成片协作

立刻MV
立刻MV

低成本歌曲 MV、视频生成

Seko
Seko

AI短剧一键生成成片

SoundView
SoundView

字幕擦除翻译、配音口型同步

如何在Python中使用Scrapy框架的CrawlSpider实现全站自动爬取?

雨瑶吖_3786

雨瑶吖_3786

发布时间:2026-11-23 05:37:29

|

991人浏览过

|

来源于php中文网

原创

CrawlSpider的rules不生效,主因是LinkExtractor默认仅提取标准链接且过滤含参、JS渲染等URL;需手动测试提取效果、调整allow/deny正则、检查DEPTH_LIMIT和ROBOTSTXT_OBEY等限制。

如何在python中使用scrapy框架的crawlspider实现全站自动爬取?

为什么 CrawlSpider 的 rules 一直不生效?

绝大多数人卡在这一步:写了 rules 却没触发任何 follow 行为。根本原因是 CrawlSpider 不会自动解析响应体——它依赖你显式指定 LinkExtractor 去提取链接,而默认的 LinkExtractor() 只抓 <a href></a>,且默认忽略 nofollow、javascript:、带参数的 URL(如 ?page=2)等。

实操建议:

  • 先用 scrapy shell "https://example.com" 手动测试:from scrapy.linkextractors import LinkExtractor; le = LinkExtractor(); le.extract_links(response),确认是否真能提取到目标链接
  • 如果页面用 JS 渲染或链接藏在 <script></script> 或 JSON 中,CrawlSpider 天然不适用,得退回到 Spider + 手动 response.css()/response.xpath() 提取
  • 常见漏配:忘记加 allow_domains 导致跨域被过滤;或 deny 正则写太宽(如 deny=(r'/login',) 却把 /login-success 也拦了)

如何让 CrawlSpider 爬完列表页再进详情页?

这是全站爬取的核心逻辑分层问题。CrawlSpider 的 rules 是顺序匹配的,靠 follow=True/False 控制是否继续爬取提取出的链接,靠 callback 指定该链接由哪个方法处理。

典型配置示例:

立即学习“Python免费学习笔记(深入)”;

Define repeatable Python automation sessions in code with nox
Define repeatable Python automation sessions in code with nox

将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。

下载
rules = (
    # 列表页:提取下一页 + 所有文章链接,但不解析内容
    Rule(LinkExtractor(allow=r'/category/.+/\?page=\d+'), follow=True),
    Rule(LinkExtractor(allow=r'/article/\d+\.html'), follow=False, callback='parse_item'),
<pre class="brush:php;toolbar:false;"># 首页入口(可选)
Rule(LinkExtractor(allow=r'^/$'), follow=True),

)

关键点:

  • follow=True 表示提取到的链接会再次交给 CrawlSpider 走一遍 rules 匹配(适合翻页、栏目导航)
  • follow=False + callback='parse_item' 表示该链接只调一次回调函数(适合详情页),此时你必须自己写 parse_item(self, response) 提取字段
  • 规则顺序很重要:更具体的 allow 正则要放在前面,否则可能被泛匹配规则提前 consume 掉

爬着爬着就停了?检查这三处硬限制

CrawlSpider 默认行为比想象中保守,几个内置限制常导致“爬了几页就静音”:

  • DEPTH_LIMIT:默认无限制,但如果你在 settings.py 里设了 DEPTH_LIMIT = 2,那从 start_urls 开始算,列表页是 depth=1,详情页就是 depth=2,再深就不进了
  • ROBOTSTXT_OBEY = True(默认开启):如果目标站 robots.txt 把 /article/ 段路径 disallow 了,Scrapy 会直接跳过,连 request 都不发——用 scrapy fetch --headers https://example.com/robots.txt 查一眼
  • 去重机制:RFPDupeFilter 对 URL 做标准化后判重,比如 https://a.com/p?id=1&utm_source=xxx 和 https://a.com/p?id=1 可能被当成同一 URL。需要自定义去重逻辑时,得重写 request_fingerprint

Rule 中的 LinkExtractor 参数怎么选才不丢链接?

丢链接不是代码写错了,而是 LinkExtractor 的默认参数太“洁癖”。比如它默认 deny_extensions 包含 .pdf、.zip,但你要爬的文档页 URL 恰好是 /manual.pdf,那就直接被筛掉了。

常用调整项:

  • 强制提取所有 <a></a>:LinkExtractor(tags=('a', 'area'), attrs=('href',))
  • 允许带查询参数的链接:LinkExtractor(allow=r'/post/\d+', canonicalize=False)(canonicalize=True 会删掉 ? 后面部分)
  • 提取非 <a></a> 中的链接(如 <div data-url="...">):<code>LinkExtractor(tags=('div',), attrs=('data-url',))
  • 忽略 robots.txt 限制(仅调试用):LinkExtractor(..., deny_extensions=())
  • 真正难的不是写对正则,而是先搞清目标站的 URL 规律——用浏览器开发者工具 Network 面板看真实请求,比死磕 LinkExtractor 参数高效得多。

热门AI工具

更多
切问学术

切问学术是一款AI论文写作工具,复旦大学NLP团队推出的AI学术智能体。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

Atoms
Atoms Hot

Atoms是一款AI智能体工具,第一支自动构建真实业务的 AI 团队。

SkildArt
SkildArt Hot

SkildArt是一款AI文本写作工具,一站式 AI 视觉创作平台。

PixTV
PixTV Hot

PixTV是一款面向AIGC内容创作的AI视频生成工具。

PixPix
PixPix Hot

PixPix是一款面向电商视觉生产的AI商品图生成工具。

Lovart
Lovart Hot

一款面向视觉设计创作的AI设计平台,可通过智能体和画布工作流辅助制作海报、Logo、网页、PPT及其他视觉内容。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1991

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5684

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1929

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

34997

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4067

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4087

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1303

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

CVE-2026-114938高危漏洞修复
CVE-2026-114938高危漏洞修复

Java4Shell是OpenJDK Base64解码路径中的远程代码执行漏洞,编号CVE-2026-114938,2026年11月17日披露,官方已发布17.0.21.1、21.0.13.1等修复版本,建议优先升级 。本专题围绕Java4Shell(CVE-2026-114938)持续更新,从漏洞原理、受影响版本、受影响产品到修复与自查一站式汇总,适合Java开发、运维与安全人员快速定位风险。ARM64环境不受影响,x86-64环境请

0

2026.11.22

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn