Scrapy框架----- CrawlSpiders

CrawlSpiders

经过下面的命令能够快速建立 CrawlSpider模板 的代码：

scrapy genspider -t crawl tencent tencent.com

上一个案例中，咱们经过正则表达式，制做了新的url做为Request请求参数，如今咱们能够换个花样...

class scrapy.spiders.CrawlSpider

它是Spider的派生类，Spider类的设计原则是只爬取start_url列表中的网页，而CrawlSpider类定义了一些规则(rule)来提供跟进link的方便的机制，从爬取的网页中获取link并继续爬取的工做更适合。

源码参考

class CrawlSpider(Spider): rules = () def __init__(self, *a, **kw): super(CrawlSpider, self).__init__(*a, **kw) self._compile_rules() #首先调用parse()来处理start_urls中返回的response对象 #parse()则将这些response对象传递给了_parse_response()函数处理，并设置回调函数为parse_start_url() #设置了跟进标志位True #parse将返回item和跟进了的Request对象 def parse(self, response): return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True) #处理start_url中返回的response，须要重写 def parse_start_url(self, response): return [] def process_results(self, response, results): return results #从response中抽取符合任一用户定义'规则'的连接，并构形成Resquest对象返回 def _requests_to_follow(self, response): if not isinstance(response, HtmlResponse): return seen = set() #抽取以内的全部连接，只要经过任意一个'规则'，即表示合法 for n, rule in enumerate(self._rules): links = [l for l in rule.link_extractor.extract_links(response) if l not in seen] #使用用户指定的process_links处理每一个链接 if links and rule.process_links: links = rule.process_links(links) #将连接加入seen集合，为每一个连接生成Request对象，并设置回调函数为_repsonse_downloaded() for link in links: seen.add(link) #构造Request对象，并将Rule规则中定义的回调函数做为这个Request对象的回调函数 r = Request(url=link.url, callback=self._response_downloaded) r.meta.update(rule=n, link_text=link.text) #对每一个Request调用process_request()函数。该函数默认为indentify，即不作任何处理，直接返回该Request. yield rule.process_request(r) #处理经过rule提取出的链接，并返回item以及request def _response_downloaded(self, response): rule = self._rules[response.meta['rule']] return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow) #解析response对象，会用callback解析处理他，并返回request或Item对象 def _parse_response(self, response, callback, cb_kwargs, follow=True): #首先判断是否设置了回调函数。（该回调函数多是rule中的解析函数，也多是 parse_start_url函数） #若是设置了回调函数（parse_start_url()），那么首先用parse_start_url()处理response对象， #而后再交给process_results处理。返回cb_res的一个列表 if callback: #若是是parse调用的，则会解析成Request对象 #若是是rule callback，则会解析成Item cb_res = callback(response, **cb_kwargs) or () cb_res = self.process_results(response, cb_res) for requests_or_item in iterate_spider_output(cb_res): yield requests_or_item #若是须要跟进，那么使用定义的Rule规则提取并返回这些Request对象 if follow and self._follow_links: #返回每一个Request对象 for request_or_item in self._requests_to_follow(response): yield request_or_item def _compile_rules(self): def get_method(method): if callable(method): return method elif isinstance(method, basestring): return getattr(self, method, None) self._rules = [copy.copy(r) for r in self.rules] for rule in self._rules: rule.callback = get_method(rule.callback) rule.process_links = get_method(rule.process_links) rule.process_request = get_method(rule.process_request) def set_crawler(self, crawler): super(CrawlSpider, self).set_crawler(crawler) self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True) 

CrawlSpider继承于Spider类，除了继承过来的属性外（name、allow_domains），还提供了新的属性和方法:

LinkExtractors

class scrapy.linkextractors.LinkExtractor

Link Extractors 的目的很简单: 提取连接｡

每一个LinkExtractor有惟一的公共方法是 extract_links()，它接收一个 Response 对象，并返回一个 scrapy.link.Link 对象。

Link Extractors要实例化一次，而且 extract_links 方法会根据不一样的 response 调用屡次提取连接｡

class scrapy.linkextractors.LinkExtractor(
    allow = (),
    deny = (),
    allow_domains = (),
    deny_domains = (),
    deny_extensions = None,
    restrict_xpaths = (),
    tags = ('a','area'),
    attrs = ('href'),
    canonicalize = True,
    unique = True,
    process_value = None
)

主要参数：

• allow：知足括号中“正则表达式”的值会被提取，若是为空，则所有匹配。

• deny：与这个正则表达式(或正则表达式列表)不匹配的URL必定不提取。

• allow_domains：会被提取的连接的domains。

• deny_domains：必定不会被提取连接的domains。

• restrict_xpaths：使用xpath表达式，和allow共同做用过滤连接。

rules

在rules中包含一个或多个Rule对象，每一个Rule对爬取网站的动做定义了特定操做。若是多个rule匹配了相同的连接，则根据规则在本集合中被定义的顺序，第一个会被使用。

class scrapy.spiders.Rule(
        link_extractor, 
        callback = None, 
        cb_kwargs = None, 
        follow = None, 
        process_links = None, 
        process_request = None
)

• link_extractor：是一个Link Extractor对象，用于定义须要提取的连接。

• callback： 从link_extractor中每获取到连接时，参数所指定的值做为回调函数，该回调函数接受一个response做为其第一个参数。

  注意：当编写爬虫规则时，避免使用parse做为回调函数。因为CrawlSpider使用parse方法来实现其逻辑，若是覆盖了 parse方法，crawl spider将会运行失败。

• follow：是一个布尔(boolean)值，指定了根据该规则从response提取的连接是否须要跟进。 若是callback为None，follow 默认设置为True ，不然默认为False。

• process_links：指定该spider中哪一个的函数将会被调用，从link_extractor中获取到连接列表时将会调用该函数。该方法主要用来过滤。

• process_request：指定该spider中哪一个的函数将会被调用， 该规则提取到每一个request时都会调用该函数。 (用来过滤request)

爬取规则(Crawling rules)

继续用腾讯招聘为例，给出配合rule使用CrawlSpider的例子:

1. 首先运行

   scrapy shell "http://hr.tencent.com/position.php?&start=0#a" 

2. 导入LinkExtractor，建立LinkExtractor实例对象。：

   from scrapy.linkextractors import LinkExtractor page_lx = LinkExtractor(allow=('position.php?&start=\d+')) 

   allow : LinkExtractor对象最重要的参数之一，这是一个正则表达式，必需要匹配这个正则表达式(或正则表达式列表)的URL才会被提取，若是没有给出(或为空), 它会匹配全部的连接｡

   deny : 用法同allow，只不过与这个正则表达式匹配的URL不会被提取)｡它的优先级高于 allow 的参数，若是没有给出(或None), 将不排除任何连接｡

3. 调用LinkExtractor实例的extract_links()方法查询匹配结果：

   page_lx.extract_links(response)

4. 没有查到：

   []

5. 注意转义字符的问题，继续从新匹配：

   page_lx = LinkExtractor(allow=('position\.php\?&start=\d+')) # page_lx = LinkExtractor(allow = ('start=\d+')) page_lx.extract_links(response)

6.  

CrawlSpider 版本

那么，scrapy shell测试完成以后，修改如下代码

#提取匹配 'http://hr.tencent.com/position.php?&start=\d+'的连接 page_lx = LinkExtractor(allow = ('start=\d+')) rules = [ #提取匹配,并使用spider的parse方法进行分析;并跟进连接(没有callback意味着follow默认为True) Rule(page_lx, callback = 'parse', follow = True) ] 

这么写对吗？

不对！千万记住 callback 千万不能写 parse，再次强调：因为CrawlSpider使用parse方法来实现其逻辑，若是覆盖了 parse方法，crawl spider将会运行失败。

#tencent.py import scrapy from scrapy.spiders import CrawlSpider, Rule from scrapy.linkextractors import LinkExtractor from mySpider.items import TencentItem class TencentSpider(CrawlSpider): name = "tencent" allowed_domains = ["hr.tencent.com"] start_urls = [ "http://hr.tencent.com/position.php?&start=0#a" ] page_lx = LinkExtractor(allow=("start=\d+")) rules = [ Rule(page_lx, callback = "parseContent", follow = True) ] def parseContent(self, response): for each in response.xpath('//*[@class="even"]'): name = each.xpath('./td[1]/a/text()').extract()[0] detailLink = each.xpath('./td[1]/a/@href').extract()[0] positionInfo = each.xpath('./td[2]/text()').extract()[0] peopleNumber = each.xpath('./td[3]/text()').extract()[0] workLocation = each.xpath('./td[4]/text()').extract()[0] publishTime = each.xpath('./td[5]/text()').extract()[0] #print name, detailLink, catalog,recruitNumber,workLocation,publishTime item = TencentItem() item['name']=name.encode('utf-8') item['detailLink']=detailLink.encode('utf-8') item['positionInfo']=positionInfo.encode('utf-8') item['peopleNumber']=peopleNumber.encode('utf-8') item['workLocation']=workLocation.encode('utf-8') item['publishTime']=publishTime.encode('utf-8') yield item # parse() 方法不须要写 # def parse(self, response): # pass 

运行： scrapy crawl tencent

Logging

Scrapy提供了log功能，能够经过 logging 模块使用。

能够修改配置文件settings.py，任意位置添加下面两行，效果会清爽不少。

LOG_FILE = "TencentSpider.log"
LOG_LEVEL = "INFO"

Log levels

• Scrapy提供5层logging级别:

• CRITICAL - 严重错误(critical)

• ERROR - 通常错误(regular errors)
• WARNING - 警告信息(warning messages)
• INFO - 通常信息(informational messages)
• DEBUG - 调试信息(debugging messages)

logging设置

经过在setting.py中进行如下设置能够被用来配置logging:

1. LOG_ENABLED 默认: True，启用logging
2. LOG_ENCODING 默认: 'utf-8'，logging使用的编码
3. LOG_FILE 默认: None，在当前目录里建立logging输出文件的文件名
4. LOG_LEVEL 默认: 'DEBUG'，log的最低级别
5. LOG_STDOUT 默认: False 若是为 True，进程全部的标准输出(及错误)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示。