CrawlSpider

• CrawlSpider简介
• CrawlSpider使用

 

CrawlSpider简介

CrawlSpider实际上是Spider的一个子类，除了继承到Spider的特性和功能外，
还派生除了其本身独有的更增强大的特性和功能。
其中最显著的功能就是”LinkExtractors连接提取器“。
Spider是全部爬虫的基类，
其设计原则只是为了爬取start_url列表中网页，
而从爬取到的网页中提取出的url进行继续的爬取工做使用CrawlSpider更合适。

 

CrawlSpider使用

- 基本指令：

　　- 建立scrapy工程：scrapy startproject projectName

　　- 建立爬虫文件：scrapy genspider -t crawl spiderName www.xxx.com

　　　　- 指令对比之前的指令多了 "-t crawl"，表示建立的爬虫文件是基于CrawlSpider这个类的，而再也不是Spider这个基类。

　　- 生成的爬虫文件的源码：

# -*- coding: utf-8 -*-
import scrapy

# 导入CrawlSpider相关模块
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


# 表示该爬虫程序是基于CrawlSpider类的
class ChoutidemoSpider(CrawlSpider):
    name = 'choutiDemo'
    #allowed_domains = ['www.chouti.com']
    start_urls = ['http://www.chouti.com/']

    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        i = {}
        #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
        #i['name'] = response.xpath('//div[@id="name"]').extract()
        #i['description'] = response.xpath('//div[@id="description"]').extract()
        return i

 

- 爬虫文件简单示例

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class CrawldemoSpider(CrawlSpider):
    name = 'qiubai'
    #allowed_domains = ['www.qiushibaike.com']
    start_urls = ['https://www.qiushibaike.com/pic/']

    #链接提取器：会去起始url响应回来的页面中提取指定的url
    link = LinkExtractor(allow=r'/pic/page/\d+\?') #s=为随机数
    link1 = LinkExtractor(allow=r'/pic/$')#爬取第一页
    #rules元组中存放的是不一样的规则解析器（封装好了某种解析规则)
    rules = (
        #规则解析器：能够将链接提取器提取到的全部链接表示的页面进行指定规则（回调函数）的解析
        Rule(link, callback='parse_item', follow=True),
        Rule(link1, callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        print(response)

爬虫文件简单示例

 

- 解析方法：

　　CrawlSpider类和Spider类的最大不一样是CrawlSpider多了一个rules属性，其做用是定义”提取动做“。在rules中能够包含一个或多个Rule对象，在Rule对象中包含了LinkExtractor对象。

 

- LinkExtractor：连接提取器。

LinkExtractor(

　　allow = r'Items/',  # 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 = xxx,  # 知足正则表达式的则不会被提取。


　　restrict_xpaths = xxx,  # 知足xpath表达式的值会被提取
　　restrict_css = xxx,  # 知足css表达式的值会被提取
　　deny_domains = xxx,  # 不会被提取的连接的domains。　

)

　　- 做用：提取response中符合规则的连接。

 

- Rule : 规则解析器。根据连接提取器中提取到的连接，根据指定规则提取解析器连接网页中的内容。

　　Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True)

　　- 参数介绍：

　　　　　　参数1：指定连接提取器

　　　　　　参数2：指定规则解析器解析数据的规则（回调函数）

　　　　　　参数3：是否将连接提取器继续做用到连接提取器提取出的连接网页中。当callback为None,参数3的默认值为true

　　- rules=( ):指定不一样规则解析器。一个Rule对象表示一种提取规则。

 

- CrawlSpider总体爬取流程：

　　　　a)爬虫文件首先根据起始url，获取该url的网页内容

　　　　b)连接提取器会根据指定提取规则将步骤a中网页内容中的连接进行提取

　　　　c)规则解析器会根据指定解析规则将连接提取器中提取到的连接中的网页内容根据指定的规则进行解析

　　　　d)将解析数据封装到item中，而后提交给管道进行持久化存储

 

- 简单代码实战应用：

　　- 爬取糗事百科糗图板块的全部页码数据：

　　- 爬虫文件：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from qiubaiBycrawl.items import QiubaibycrawlItem
import re
class QiubaitestSpider(CrawlSpider):
    name = 'qiubaiTest'
    #起始url
    start_urls = ['http://www.qiushibaike.com/']

    #定义连接提取器，且指定其提取规则
    page_link = LinkExtractor(allow=r'/8hr/page/\d+/')
    
    rules = (
        #定义规则解析器，且指定解析规则经过callback回调函数
        Rule(page_link, callback='parse_item', follow=True),
    )

    #自定义规则解析器的解析规则函数
    def parse_item(self, response):
        div_list = response.xpath('//div[@id="content-left"]/div')
        
        for div in div_list:
            #定义item
            item = QiubaibycrawlItem()
            #根据xpath表达式提取糗百中段子的做者
            item['author'] = div.xpath('./div/a[2]/h2/text()').extract_first().strip('\n')
            #根据xpath表达式提取糗百中段子的内容
            item['content'] = div.xpath('.//div[@class="content"]/span/text()').extract_first().strip('\n')

            yield item #将item提交至管道

 

 　　- item文件：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class QiubaibycrawlItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    author = scrapy.Field() #做者
    content = scrapy.Field() #内容

 

- 管道文件：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

class QiubaibycrawlPipeline(object):
    
    def __init__(self):
        self.fp = None
        
    def open_spider(self,spider):
        print('开始爬虫')
        self.fp = open('./data.txt','w')
        
    def process_item(self, item, spider):
        #将爬虫文件提交的item写入文件进行持久化存储
        self.fp.write(item['author']+':'+item['content']+'\n')
        return item
    
    def close_spider(self,spider):
        print('结束爬虫')
        self.fp.close()