V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
zhangzixu
V2EX  ›  Python

scrapy 的 CrawlSpider 爬取全站,遇到干扰怎么破?

  •  
  •   zhangzixu · 2017-06-02 09:23:55 +08:00 · 2967 次点击
    这是一个创建于 2492 天前的主题,其中的信息可能已经有所发展或是发生改变。

    比如我要爬取的网站是 https://xxx.com,在 log 信息中看到得到的网页有很多 https://xxx.com?mdtp=30&p=8+++++++++++++++++++ 而且+号是不断的增加的,网站返回的是同一个页面。使用 linkExtractor 去过滤吗?

    8 条回复    2018-05-29 16:25:17 +08:00
    prasanta
        1
    prasanta  
       2017-06-02 09:28:07 +08:00
    把它处理掉
    KeepPro
        2
    KeepPro  
       2017-06-02 09:29:54 +08:00 via Android
    这说明人家并不想让你爬
    734506700qq
        3
    734506700qq  
       2017-06-02 09:36:25 +08:00   ❤️ 1
    啥网站啊,这么溜,这个反爬虫机制真 low
    zhangzixu
        4
    zhangzixu  
    OP
       2017-06-02 09:54:24 +08:00
    @734506700qq 高校的,哈哈
    cranelee13
        5
    cranelee13  
       2017-06-02 10:21:46 +08:00 via iPhone
    用正则过滤链接吧,很好解决。
    bonfy
        6
    bonfy  
       2017-06-02 11:46:11 +08:00
    又见 xxx.com ...
    zhangzixu
        7
    zhangzixu  
    OP
       2017-06-02 12:02:14 +08:00
    @bonfy 真的有内容呀!
    luxux
        8
    luxux  
       2018-05-29 16:25:17 +08:00
    上班打开 xxx.com,旁边连个妹子,让我情以何堪
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   2919 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 25ms · UTC 13:59 · PVG 21:59 · LAX 06:59 · JFK 09:59
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.