如何改变深度限制，同时爬行

Question

我想在蜘蛛中禁用深度检查和迭代，或者在爬行时更改深度极限。这是我的一些代码：

    def start_requests(self):
        if isinstance(self.vuln, context.GenericVulnerability):
            yield Request(
                self.vuln.base_url,
                callback=self.determine_aliases,
                meta=self._normal_meta,
            )
        else:
            for url in self.vuln.entrypoint_urls:
                yield Request(
                    url, callback=self.parse, meta=self._patch_find_meta
                )

    @inline_requests
    def determine_aliases(self, response):
        vulns = [self.vuln]
        processed_vulns = set()
        while vulns:
            vuln = vulns.pop()
            if vuln.vuln_id is not self.vuln.vuln_id:
                response = yield Request(vuln.base_url)
            processed_vulns.add(vuln.vuln_id)
            aliases = context.create_vulns(*list(self.parse(response)))
            for alias in aliases:
                if alias.vuln_id in processed_vulns:
                    continue
                if isinstance(alias, context.GenericVulnerability):
                    vulns.append(alias)
                else:
                    logger.info("Alias discovered: %s", alias.vuln_id)
                    self.cves.add(alias)
        yield from self._generate_requests_for_vulns()

    def _generate_requests_for_vulns(self):
        for vuln in self.cves:
            for url in vuln.entrypoint_urls:
                yield Request(
                    url, callback=self.parse, meta=self._patch_find_meta
                )

我的程序使用户可以提供所需/想要的深度限制作为输入。在某些情况下，我的默认解析方法允许递归爬行链接。

确定_ALIASES是一种预处理方法，从_generate_requests_for_vulns生成的请求是用于实际解决方案的。

如您所见，我从响应中刮擦所需的数据，并将其存储在set属性" cves"中的spider类中。完成此操作后，我会从_generate_requests_for_vulns。

这里的问题是，要么从确定_ALIASES产生请求，要么将Desik_aliases调用作为回调会迭代深度。因此，当我从_generate_requests_for_vulns提出请求以进一步爬行时，我的深度极限就会比预期的要早。

请注意，实际的爬行解决方案始于_generate_requests_for_vulns生成的请求，因此只能从这些请求中应用给定的深度限制。

Answer 1

我最终通过创建中间件将深度重置为0来解决。参数。

class DepthResetMiddleware(object):
    def process_spider_output(self, response, result, spider):
        for r in result:
            if not isinstance(r, Request):
                yield r
                continue
            if (
                "depth" in r.meta
                and "reset_depth" in r.meta
                and r.meta["reset_depth"]
            ):
                r.meta["depth"] = 0
            yield r

应该以这种方式从蜘蛛中得出请求：

yield Request(url, meta={"reset_depth": True})

然后将中间件添加到您的设置中。订单很重要，因为该中间件应在Depthmiddleware之前执行。由于默认的depthmiddleware订单为900，因此我将Depthresetmiddleware的订单设置为850在我的crawlerprocess中，例如：

"SPIDER_MIDDLEWARES": {
    "patchfinder.middlewares.DepthResetMiddleware": 850
}

不知道这是否是最好的解决方案，但它有效。另一个选项可能是扩展Depthmiddleware并在此处添加此功能。