CrawlSpiders

通过下面的命令可以快速创建 CrawlSpider模板的代码：

scrapy genspider -t crawl tencent tencent.com

上一个案例中，我们通过正则表达式，制作了新的url作为Request请求参数，现在我们可以换个花样...

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并继续爬取的工作更适合。

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，需要重写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'的链接，并构造成Resquest对象返回def _requests_to_follow(self, response):if not isinstance(response, HtmlResponse):returnseen = set()#抽取之内的所有链接，只要通过任意一个'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处理每个连接if links and rule.process_links:links = rule.process_links(links)#将链接加入seen集合，为每个链接生成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作为这个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)#对每个Request调用process_request()函数。该函数默认为indentify，即不做任何处理，直接返回该Request.yield rule.process_request(r)#处理通过rule提取出的连接，并返回item以及requestdef _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。（该回调函数可能是rule中的解析函数，也可能是 parse_start_url函数）#如果设置了回调函数（parse_start_url()），那么首先用parse_start_url()处理response对象，#然后再交给process_results处理。返回cb_res的一个列表if callback:#如果是parse调用的，则会解析成Request对象#如果是rule callback，则会解析成Itemcb_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#如果需要跟进，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:#返回每个Request对象for request_or_item in self._requests_to_follow(response):yield request_or_itemdef _compile_rules(self):def get_method(method):if callable(method):return methodelif 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继承于蜘蛛类，除了继承过来的属性外（名称，allow_domains），还提供了新的属性和方法：

LinkExtractors

class scrapy.linkextractors.LinkExtractor

链接提取器的目的很简单：提取链接。

每个LinkExtractor有唯一的公共方法是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，并且extract_links方法会根据不同的响应调用多次提取链接。

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：满足括号中“正则表达式”的值会被提取，如果为空，则全部匹配。
deny：与这个正则表达式（或正则表达式列表）不匹配的URL一定不提取。
allow_domains：会被提取的链接的域名。
deny_domains：一定不会被提取链接的域名。
restrict_xpaths：使用的XPath表达式，和允许共同作用过滤链接。

规则

在规则中包含一个或多个规则对象，每个规则。对爬取网站的动作定义了特定操作如果多个规则匹配了相同的链接，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：是一个链接提取器对象，用于定义需要提取的链接。
callback：从link_extractor中获取到链接时，参数所指定的值作为回调函数，该回调函数接受一个响应作为其第一个参数。

注意：当编写爬虫规则时，避免使用解析作为回调函数。由于CrawlSpider使用parse方法来实现其逻辑，如果覆盖了解析方法，爬行蜘蛛将会运行失败。
follow：是一个布尔（boolean）值，指定了根据该规则从响应提取的链接是否需要跟进。如果callback为None，则按照默认设置为True，否则默认为False。
process_links：指定该蜘蛛中哪个的函数将会被调用，从link_extractor中获取到链接列表时将会调用该函数该方法主要用来过滤。
process_request：指定该蜘蛛中哪个的函数将被调用，该规则提取到每个请求时都会调用该函数。（用户过滤请求）

爬取规则（爬行规则）

继续用腾讯招聘为例，给出配合规则使用CrawlSpider的例子：

首先运行

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

导入LinkExtractor，创建LinkExtractor实例对象：

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

允许：LinkExtractor对象最重要的参数之一，这是一个正则表达式，必须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，如果没有给出（或为空），会匹配所有的链接。

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，如果没有给出（或None），将不排除任何链接。
调用LinkExtractor实例的extract_links（）方法查询匹配结果：

 page_lx.extract_links(response)

没有查到：[]
注意转义字符的问题，继续重新匹配：page_lx = LinkExtractor(allow=('position\.php\?&start=\d+'))# page_lx = LinkExtractor(allow = ('start=\d+'))page_lx.extract_links(response)

CrawlSpider版本

那么，scrapy shell测试完成之后，修改以下代码

#提取匹配 'http://hr.tencent.com/position.php?&start=\d+'的链接
page_lx = LinkExtractor(allow = ('start=\d+'))rules = [#提取匹配,并使用spider的parse方法进行分析;并跟进链接(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：由于CrawlSpider使用parse方法来实现其逻辑，如果覆盖了parse方法，crawl spider将会运行失败。

#tencent.pyimport scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from mySpider.items import TencentItemclass 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,publishTimeitem = 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() 方法不需要写     # def parse(self, response):                                              #     pass
运行： scrapy crawl tencent

记录

Scrapy提供了log功能，可以通过logging模块使用。

可以修改配置文件settings.py，任意位置添加下面两行，效果会清爽很多。

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

日志级别

Scrapy提供5层日志记录级别：
CRITICAL - 严重错误（critical）
错误 - 一般错误（常规错误）
警告 - 警告信息（警告信息）
信息 - 一般信息（informational messages）
DEBUG - 调试信息（调试信息）

日志记录设置

通过在setting.py中进行以下设置可以被用来配置登录：

LOG_ENABLED 默认：True，启用日志
LOG_ENCODING 默认：'utf-8'，记录使用的编码
LOG_FILE 默认：无，在当前目录里创建logging输出文件的文件名
LOG_LEVEL 默认：'DEBUG'，日志的最低级别
LOG_STDOUT 默认：False如果为True，进程所有的标准输出（及错误）将被重定向到log中。例如，执行打印“hello”，其将会在Scrapy日志中显示。

CrawlSpiders相关推荐

CrawlSpiders简介
转:https://www.cnblogs.com/ellisonzhang/p/11124516.html#4295547 一.CrawlSpiders类简介通过下面的命令可以快速创建 Crawl ...
Python:CrawlSpiders
通过下面的命令可以快速创建 CrawlSpider模板的代码: scrapy genspider -t crawl tencent tencent.com 上一个案例中,我们通过正则表达式,制作了新 ...
scrapy---Logging
Scrapy 提供了 log 功能,可以通过 logging 模块使⽤. 可以修改配置⽂件 settings.py,任意位置添加下⾯两⾏,效果会清爽很多. LOG_FILE = "Tenc ...
python3 scrapy爬虫_Python3 Scrapy爬虫框架(Scrapy/scrapy-redis)
Python3 Scrapy爬虫框架(Scrapy/scrapy-redis) 本文由 Luzhuo 编写,转发请保留该信息. 原文: https://blog..net/Rozol/article/ ...
python爬虫从入门到实战笔记——第四章Scrapy框架
推荐阅读: python爬虫从入门到实战笔记--第一章爬虫原理和数据爬取 python爬虫从入门到实战笔记--第二章非结构化数据和结构化数据的提取 python爬虫从入门到实战笔记--第三章动态HTM ...
Python学习笔记——爬虫之Scrapy框架
目录 Scrapy 框架 Scrapy的安装介绍 Windows 安装方式 Ubuntu 需要9.10或以上版本安装方式入门案例启动Scrapy Shell Item Pipeline Spide ...
crawlspider解析，并使用crawlspider爬取八一中文网小说
crawlspider类的写法 1. CrawlSpiders 原理图 ``` sequenceDiagram start_urls ->>调度器: 初始化url 调度器->> ...

CrawlSpiders

CrawlSpiders

源码参考

LinkExtractors

规则

爬取规则（爬行规则）

CrawlSpider版本

记录

日志级别

日志记录设置

CrawlSpiders相关推荐

最新文章

热门文章