scrapy的crawlspider爬虫
1. crawlspider是什么
- 从response中提取所有的满足规则的url地址
- 自动的构造自己requests请求,发送给引擎
对应的crawlspider就可以实现上述需求,能够匹配满足条件的url地址,组装成Reuqest对象后自动发送给引擎,同时能够指定callback函数。即:crawlspider爬虫可以按照规则自动获取连接
2.创建crawlspider爬虫并观察爬虫内的默认内容
2.1 创建crawlspider爬虫:
scrapy genspider -t crawl tencent hr.tencent.com
2.2观察跟普通的scrapy.spider的区别
在crawlspider爬虫中,没有parse函数
重点在rules中:
- rules是一个元组或者是列表,包含的是Rule对象
- Rule表示规则,其中包含LinkExtractor,callback和follow等参数
- LinkExtractor:连接提取器,可以通过正则或者是xpath来进行url地址的匹配
- callback :表示经过连接提取器提取出来的url地址响应的回调函数,可以没有,没有表示响应不会进行回调函数的处理
- follow:连接提取器提取的url地址对应的响应是否还会继续被rules中的规则进行提取,True表示会,Flase表示不会
3. crawlspider腾讯招聘爬虫
思路分析:
- 定义一个规则,来进行列表页翻页,follow需要设置为True
- 定义一个规则,实现从列表页进入详情页,并且指定回调函数
- 在详情页提取数据
注意:连接提取器LinkExtractor中的allow对应的正则表达式匹配的是href属性的值
4 crawlspider使用的注意点:
- 除了用命令
scrapy genspider -t crawl <爬虫名> <allowed_domail>
创建一个crawlspider的模板,页可以手动创建 - crawlspider中不能再有以parse为名的数据提取方法,该方法被crawlspider用来实现基础url提取等功能
- Rule对象中LinkExtractor为固定参数,其他callback、follow为可选参数
- 不指定callback且follow为True的情况下,满足rules中规则的url还会被继续提取和请求
- 如果一个被提取的url满足多个Rule,那么会从rules中选择一个满足匹配条件的Rule执行
5 了解crawlspider其他知识点
链接提取器LinkExtractor的更多常见参数
- allow: 满足括号中的're'表达式的url会被提取,如果为空,则全部匹配
- deny: 满足括号中的're'表达式的url不会被提取,优先级高于allow
- allow_domains: 会被提取的链接的domains(url范围),如:
['hr.tencent.com', 'baidu.com']
- deny_domains: 不会被提取的链接的domains(url范围)
- restrict_xpaths: 使用xpath规则进行匹配,和allow共同过滤url,即xpath满足的范围内的url地址会被提取,如:
restrict_xpaths='//div[@class="pagenav"]'
Rule常见参数
- LinkExtractor: 链接提取器,可以通过正则或者是xpath来进行url地址的匹配
- callback: 表示经过连接提取器提取出来的url地址响应的回调函数,可以没有,没有表示响应不会进行回调函数的处理
- follow: 连接提取器提取的url地址对应的响应是否还会继续被rules中的规则进行提取,默认True表示会,Flase表示不会
- process_links: 当链接提取器LinkExtractor获取到链接列表的时候调用该参数指定的方法,这个自定义方法可以用来过滤url,且这个方法执行后才会执行callback指定的方法
scrapy的crawlspider爬虫相关推荐
- Scrapy框架 -- crawlSpider爬虫
一.新建一个分布式爬虫项目,并进入该项目创建爬虫文件 scrapy startproject fenbushi cd fenbushi scrapy genspider-t crawl fenbush ...
- Scrapy框架中的crawlspider爬虫
1 crawlspider是什么 在spider中要寻找下一页的url地址或者内容的url地址,想想是否有简单的方法省略寻找url的过程? 思路: 从response中提取所有的满足规则的url地址 ...
- Scrapy 规则化爬虫(1)——CrawlSpider及link_extractor
Scrapy 规则化爬虫(1)--CrawlSpider及link_extractor 目录 Scrapy 规则化爬虫(1)--CrawlSpider及link_extractor 前言 一.Craw ...
- Scrapy中的crawlspider爬虫
crawlspider 介绍 创建模板 具体参数和解释 重点在rules中: 栗子: 介绍 Scrapy框架中分两类爬虫 Spider类和CrawlSpider类. crawlspider是Spide ...
- Scrapy中CrawlSpider
Scrapy中CrawlSpider 引入 之前的代码中,我们有很大一部分时间在寻找下一页的URL地址或者内容的URL地址上面,这个过程能够更简单一些吗? 思路 1.从response中提取所有的a标 ...
- scrapy之crawlspider
1 crawlspider是什么 回顾之前的代码中,我们有很大一部分时间在寻找下一页的url地址或者是内容的url地址上面,这个过程能更简单一些么? 思路: 从response中提取所有的满足规则的u ...
- Scrapy框架--CrawlSpider (详解+例子)
目录 CrawlSpider 简介 基本运行 特性和概念 基本使用 创建CrawlSpider 运行 使用CrawlSpider中核心的2个类对象 Rule对象 LinkExtractors 作用 使 ...
- 关于使用scrapy框架编写爬虫以及Ajax动态加载问题、反爬问题解决方案
关于使用scrapy框架编写爬虫以及Ajax动态加载问题.反爬问题解决方案 参考文章: (1)关于使用scrapy框架编写爬虫以及Ajax动态加载问题.反爬问题解决方案 (2)https://www. ...
- python 定时执行 爬虫 模块_浅析python实现scrapy定时执行爬虫
项目需要程序能够放在超算中心定时运行,于是针对scrapy写了一个定时爬虫的程序main.py ,直接放在scrapy的存储代码的目录中就能设定时间定时多次执行. 最简单的方法:直接使用Timer类 ...
最新文章
- 关于captive portal
- 常见算子使用_spark快速入门(二)spark粗略流程简述及常见名词解释
- Java 洛谷 P1089 津津的储蓄计划讲解
- maven+jenkins自动化构件
- WINCC访问OPC服务器显示叹号,本机浏览opcserver.wincc ,无法打开-工业支持中心-西门子中国...
- 60K!刚面完Python!这个被Oracle裁掉的程序员求职刷爆全网!
- Fibonacci 取余,直接做超时
- spring事务失效场景三:内部方法调用
- 混淆的艺术-(苍井空变凤姐)Proguard源码分析(一)前言和计划
- (转)DirectoryEntry的使用
- 表格里加横线一分为二_我告诉你excel表格分割线一分为二
- 微信小程序实现word,excell等文件下载
- 如何批量打印dwf文件
- python爬虫requests源码链家_python爬虫:爬取链家深圳全部二手房的详细信息
- ipad iphone开发_如何在iPhone或iPad上删除电子邮件
- ubuntu20.04下安装qq和微信(最新)
- 推动前端团队基础设施建设流程方案计划书
- Redis的数据结构及底层原理
- C#切换鼠标左右键习惯
- 国内外常用公共NTP网络时间同步服务器地址
热门文章
- SCDL--稀疏编码(sparse code)与字典学习(dictionary learning)
- WPC Qi 无线充电标准入门介绍与测试
- 2021年PMP考试考场公布
- 192.168.8.1手机登陆_192.168.8.1手机登录入口官网路由器设置
- C++ Primer 13-15
- Java打印int类型二进制
- 我是如何转岗成为数据分析师?
- charles linux版本,Charles 下载
- 华为麦芒5云空间升级_华为麦芒5原版系统rom刷机包_华为麦芒5最新升级包更新下载...
- js获取美国太平洋标准时间PST