【Python】 Scrapy 爬虫：如何设置深度优先与广度优先采集策略

---

我听见有人猜
你是敌人潜伏的内线
和你相知多年
我确信对你的了解
你舍命救我画面
一一在眼前浮现
司空见惯了鲜血
你忘记你本是娇娆的红颜
感觉你我彼此都那么依恋
                     🎵 许嵩《内线》

---

在 Web 爬虫中，深度优先搜索（DFS） 和 广度优先搜索（BFS） 是常见的网页采集策略。不同的策略适用于不同的爬取场景，例如，当我们想更快地抓取某个页面的所有关联内容时，广度优先可能更合适；而深度优先则更适合用于逐层深入网站结构，抓取嵌套得较深的网页内容。

在 Scrapy 框架中，默认的爬取方式是广度优先（BFS），但 Scrapy 也支持通过设置参数来切换到深度优先（DFS）爬取。本篇博客将详细介绍如何在 Scrapy 中设置深度优先和广度优先策略。

1. 什么是深度优先和广度优先？

广度优先（BFS）：广度优先算法从起始点开始，优先访问与其直接相连的所有节点，然后再访问这些节点的相邻节点，依次展开。广度优先的特点是“先横向再纵向”，即会优先遍历当前层的所有页面，再继续遍历下一层。

深度优先（DFS）：深度优先算法则是优先访问当前节点的子节点，然后依次深入。深度优先的特点是“先纵向再横向”，即会一直深入遍历下一级页面，直到达到某个终点才返回遍历下一个节点。

示例对比：
广度优先：Level 1 -> Level 2 -> Level 3 -> …
深度优先：Level 1 -> Level 1.1 -> Level 1.1.1 -> …

2. Scrapy 默认的采集策略

Scrapy 默认使用广度优先搜索（BFS）来进行页面爬取。这意味着它会从起始页面开始，依次抓取该页面上的所有链接，然后再逐层抓取下一层的页面。

在 Scrapy 中，这种采集策略是通过请求队列的管理实现的。Scrapy 使用一个优先级队列来存储要抓取的请求，而默认情况下，新发现的请求会被添加到队列的尾部，从而实现广度优先采集。

3. 切换到深度优先采集

为了在 Scrapy 中使用深度优先搜索（DFS），我们需要调整请求的优先级策略。通过为新的请求设置较高的优先级，Scrapy 会优先处理新发现的请求，从而达到深度优先的效果。

Scrapy 提供了 DEPTH_PRIORITY 和 SCHEDULER_DISK_QUEUE 设置来实现这一点。

3.1 修改 Scrapy 配置为深度优先

我们可以通过修改 Scrapy 项目的配置文件 settings.py 来设置深度优先采集：

# settings.py

# 设置为深度优先
DEPTH_PRIORITY = 1

# 优先从队列顶部抓取请求（即从深层先抓）
SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleFifoDiskQueue'
SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.FifoMemoryQueue'

在这里：

DEPTH_PRIORITY = 1：设置深度优先采集策略，优先处理新发现的请求。
SCHEDULER_DISK_QUEUE 和 SCHEDULER_MEMORY_QUEUE 分别指定了磁盘队列和内存队列的处理方式。Fifo 表示 “First In, First Out”（先进先出），用以保证新请求先被处理，从而达到深度优先效果。

3.2 控制爬取深度

Scrapy 还提供了一个配置项 DEPTH_LIMIT 来限制爬取的最大深度。如果你想控制爬虫不爬得太深，可以设置这个参数。例如，限制爬虫最多爬取 3 层深度：

# 限制爬取深度为3
DEPTH_LIMIT = 3

当设置了 DEPTH_LIMIT 后，Scrapy 在到达指定深度后将不会继续抓取更深的页面。

4. 切换回广度优先采集

如果你想使用广度优先采集（BFS），实际上 Scrapy 默认就是使用这种策略。因此，回到默认的配置即可。

4.1 恢复广度优先的配置

广度优先采集的配置如下：

# settings.py

# 设置为广度优先
DEPTH_PRIORITY = -1

# 优先从队列尾部抓取请求（即从表层抓取）
SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleLifoDiskQueue'
SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.LifoMemoryQueue'

在这里：

DEPTH_PRIORITY = -1：设置广度优先采集策略，优先处理先加入队列的请求。
SCHEDULER_DISK_QUEUE 和 SCHEDULER_MEMORY_QUEUE 分别指定了磁盘队列和内存队列的处理方式。Lifo 表示 “Last In, First Out”（后进先出），用以保证先发现的页面优先被处理。

5. 自定义请求优先级

除了全局的深度优先和广度优先配置外，Scrapy 还允许我们通过 Request 对象手动控制单个请求的优先级。

5.1 为请求设置优先级

在 Scrapy 中，priority 参数可以用于控制每个请求的优先级。优先级高的请求会被优先处理。默认情况下，所有请求的优先级都是 0。我们可以通过修改这个值来改变请求的处理顺序。

示例：手动控制某些请求的优先级，使其优先处理：

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'

    def start_requests(self):
        urls = [
            'https://example.com/level1',
            'https://example.com/level2'
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse, priority=10)

    def parse(self, response):
        # 对子页面设置更高的优先级
        for href in response.css('a::attr(href)').getall():
            yield scrapy.Request(url=response.urljoin(href), callback=self.parse, priority=20)

在这个示例中，起始页面的优先级设置为 10，而子页面的优先级设置为 20，子页面会被优先处理。

6. 完整示例：深度优先 vs 广度优先

以下是一个完整的示例，演示如何在 Scrapy 中通过设置来实现深度优先和广度优先爬取。

6.1 深度优先示例

# 深度优先爬虫配置 settings.py

DEPTH_PRIORITY = 1
SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleFifoDiskQueue'
SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.FifoMemoryQueue'
DEPTH_LIMIT = 3  # 限制爬取深度为3

6.2 广度优先示例

# 广度优先爬虫配置 settings.py

DEPTH_PRIORITY = -1
SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleLifoDiskQueue'
SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.LifoMemoryQueue'

6.3 爬虫代码

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['https://example.com']

    def parse(self, response):
        self.log(f"正在爬取：{response.url}")
        for href in response.css('a::attr(href)').getall():
            yield scrapy.Request(url=response.urljoin(href), callback=self.parse)

7. 总结

通过调整 Scrapy 的配置，我们可以灵活地在 深度优先 和 广度优先 爬取策略之间切换。深度优先适合深入探索网页的层次结构，而广度优先适合快速覆盖网站的广泛区域。

要实现深度优先，只需设置 DEPTH_PRIORITY = 1 并使用 Fifo 队列来优先处理新发现的请求；而广度优先可以通过默认配置或设置 DEPTH_PRIORITY = -1 并使用 Lifo 队列来实现。此外，通过 priority 参数，你还可以自定义不同请求的优先级，控制它们的处理顺序。

根据实际业务需求选择合适的爬取策略，可以让你的 Scrapy 爬虫更加高效、灵活地完成数据抓取任务。