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
使用
查看效果-shell中验证
示例
注意
CrawlSpider
简介
CrawlSpider 是 Scrapy 框架提供的一个特殊的 Spider 类型，在Scrapy中Spider是所有爬虫的基类，而CrawSpiders就是Spider的派生类，用于处理那些需要遵循特定规则和链接提取的网站。它是基于广度优先算法构建的，可以自动发现并跟踪网页上的链接，并根据预定义的规则提取数据。
CrawlSpider 提供了一种更高级的方法来定义爬取规则，而无需编写大量的重复代码。它基于规则系统工作，其中每个规则由一个或多个链接提取器（LinkExtractor）和一个回调函数（callback）组成。规则定义了要提取的链接和如何处理这些链接的方法。
基本运行
适用于先爬取start_url列表中的网页，再从爬取的网页中获取link并继续爬取的工作。
特性和概念
-
链接提取器（LinkExtractor）：链接提取器用于从网页中提取链接。CrawlSpider 提供了几种内置的链接提取器，如基于正则表达式、基于 CSS 选择器、基于 XPath 等，你可以根据需求选择合适的链接提取器。
-
规则（Rule）：规则定义了要提取的链接和如何处理这些链接的方法。每个规则由一个链接提取器和一个回调函数组成。链接提取器用于提取链接，回调函数定义了如何处理这些链接。可以定义多个规则来处理不同类型的链接。
-
回调函数（callback）：回调函数是指定规则要调用的方法。当链接提取器提取到链接时，将会调用相应的回调函数来处理提取到的
链接。在回调函数中，你可以编写解析页面和提取数据的逻辑。
-
follow 参数：在规则中，可以设置 follow 参数来决定是否继续跟踪从链接提取器提取的链接。如果设置为 True，则会继续跟踪这些链接并提取数据；如果设置为 False，则不会跟踪这些链接。
-
allowed_domains 参数：allowed_domains 参数用于限制爬取的域名。只有在 allowed_domains 列表中的域名下的链接才会被跟踪和提取数据，其他域名下的链接将被忽略。
基本使用
在 Scrapy 框架中，创建 CrawlSpider 时通常是通过继承 scrapy.spiders.CrawlSpider 类来实现的，因为 CrawlSpider 类提供了许多内置的功能和方法来处理链接提取和规则定义。
创建CrawlSpider
要使用 CrawlSpider，首先需要创建一个 Scrapy 项目。可以使用以下命令来创建一个新的 Scrapy 项目
scrapy startproject project_name
进入项目目录
cd project_name
在项目中创建一个新的 Spider
scrapy genspider spider_name spider_domain
注：spider_name是你给 Spider 命名的标识符，spider_domain是要爬取的网站的域名。
在生成的 Spider 文件中，将基类指定为 CrawlSpider,定义一个名为 MySpider 的 Spider 类，它继承自 CrawlSpider。我们指定了要爬取的网站域名和起始链接。rules 属性定义了我们要遵循的链接提取规则和回调函数。在这个示例中，我们使用了一个空的 LinkExtractor，表示提取所有链接，然后将其传递给 parse_item 方法进行解析。
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
class MySpider(CrawlSpider):
name = 'myspider'
allowed_domains = ['example.com']
start_urls = ['http://www.example.com']
rules = (
Rule(LinkExtractor(allow=()), callback='parse_item', follow=True),
)
def parse_item(self, response):
# 在这里定义解析页面的逻辑
# 可以从 response 中提取数据
# 返回解析后的数据
yield {
'url': response.url,
'title': response.css('title::text').get()
}
运行
scrapy crawl myspider
使用CrawlSpider中核心的2个类对象
Rule对象
Rule类与CrawlSpider类都位于scrapy.contrib.spiders模块中
class scrapy.contrib.spiders.Rule(
link_extractor,
callback=None,
cb_kwargs=None,
follow=None,
process_links=None,
process_request=None)
参数含义：
-
link_extractor为LinkExtractor，用于定义需要提取的链接
-
callback参数：当link_extractor获取到链接时参数所指定的值作为回调函数
注意 回调函数尽量不要用parse方法，crawlspider已使用了parse方法
-
follow：指定了根据该规则从response提取的链接是否需要跟进。当callback为None,默认值为True
-
process_links：主要用来过滤由link_extractor获取到的链接
-
process_request：主要用来过滤在rule中提取到的request
LinkExtractors
链接提取器
作用
response对象中获取链接，并且该链接会被接下来爬取 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
使用
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domains。
- deny_domains：一定不会被提取链接的domains。
- restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接(只选到节点，不选到属性)
- restrict_css：使用css表达式，和allow共同作用过滤链接(只选到节点，不选到属性)
查看效果-shell中验证
首先运行
scrapy shell 'https://www.zhhbqg.com/1_1852/835564.html'
继续import相关模块
from scrapy.linkextractors import LinkExtractor
提取当前网页中获得的链接
link = LinkExtractor(restrict_xpaths=(r'//a'))调用LinkExtractor实例的extract_links()方法查询匹配结果
link.extract_links(response)
示例
（爬取小说网数据）
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from xiaoshuo.items import XiaoshuoItem
class XiaoshuoSpiderSpider(CrawlSpider):
name = 'xiaoshuo_spider'
allowed_domains = ['fhxiaoshuo.com']
start_urls = ['http://www.fhxiaoshuo.com/read/33/33539/17829387.shtml']
rules = [
Rule(LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[4]')), callback='parse_item'),]
def parse_item(self, response):
info = response.xpath("//div[@id='TXT']/text()").extract()
it = XiaoshuoItem()
it['info'] = info
yield it
注意
- callback后面函数名用引号引起
- 函数名不要用parse
- 参数的括号嵌套，不要出问题
