17 Scrapy内置爬虫CrawlSpider和Spider的差异、使用正则分析链接

Posted 2023-04-19

参考技术A 切换目录到项目工程文件夹：命令行中输入

返回结果：

创建一个crawlspider
cd到项目工程的目录以后，输入以下命令：

例如

运行结果

工程目录下出现了一个 ganji.2.py

文件内部是这样的

在这里面的start_url应该自行操作改成自己想要爬取的网页。

创建basic类型的spider

创建完成以后，项目spider目录下多了一个tmp.py的文件。
同样是使用命令来新建爬虫，但是里面和上述的crawlspider相比还是少了几样东西。

在crawlspider中，是parse_item方法，而且在函数中是不允许你重写parse函数的，否则可能会出现异常。
在官方文档中，crawlspider是爬取有规律的网站内容。

cd到项目文件夹下，输入 scrapy shell 网址 例如

返回结果：

再把分析链接的模块导入进来：

输入以下命令，他会把页面里所有的链接都有提取出来：

都取出来了，很恐怖。
使用正则过滤下就能拿到需要的链接了。在明确链接样式的情况下才能进行正则表达式的设计。

输入：

输出的链接明显少了

这出来的一个一个链接是LinkExtractor提取出来的，但是如果写进RULES里面去，就会直接把链接爬上来，
打开Pycharm工程，把Rule里面的正则条件替换成

但是这一步要规定回调函数，这里面设置成的是parse_item，parse_item会自动获取这个链接的response。那如果想查询刚才的url呢，要使用 response.url 才能得到链接。

CrawlSpider继承最基础的Spider，所以Spider有的方法和属性，CrawlSpider全部具备。
CrawlSpider别于Spider的特性是多了一个rules参数，其作用是定义提取动作，可以快速的检索符合正则的路由，并非常方便的回调到函数中。

1、 follow 是一个布尔(boolean)值，指定了根据该规则从response提取的链 接是否需要跟进。如果 callback 为 None ， follow 默认设置为 True ，否则默认为 False 。 follow 默认设置为 True 时候，会一直跟进爬取此链接打开的页面的response的符合规则的链接。
注意：如果不写 callback 也不写 follow 的话，表示 follow 默认跟进，至于要将拿到的链接重新打开，根据规则再提取里面的链接，如果里面的链接触发了某个支持 callback 的规则，那么再传到 callback 对应的函数里进行提取。

2、 rules :一个包含一个(或多个) Rule 对象的集合(list)。 每个 Rule 对爬取网站的动作定义了特定表现。 Rule 对象在下边会介绍。 如果多个 rule 匹配了相同的链接，则根据他们在本属性中被定义的顺序，第一个会被使用。
3、 URL 链接提取的类 LinkExtractor ，主要参数为:
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。还有一个类似的restrict_css

当编写CrawlSpider爬虫规则时，请避免使用 parse 作为回调函数。由于 CrawlSpider 使用 parse 方法来实现其逻辑，如果您覆盖了 parse 方
法，Crawlspider 将会运行失败。涉及的示例:

另外如果需要转码到json，可以使用如下语句

Scrapy爬虫框架---CrawlSpider类

（1）、简介

在糗事百科爬虫中我们的爬虫是继承scrapy.Spider类的，这也是基本的scrapy框架爬虫，在这个爬虫中我们自己在解析完整个页面后再获取下一页的url,然后重新发送了一个请求，而使用CrawlsSpider类可以帮助我们对url提出条件，只要满足这个条件，都进行爬取，CrawlSpider类继承自Spider，它比之前的Spider增加了新功能，即可以定义url的爬取规则，而不用手动的yield Request。

（2）、创建CrawlSpider爬虫

scrapy genspider -t crawl + 爬虫名 + 主域名

（3）、CrawlSpider中的主要模块介绍

1、LinkExtractors链接提取器（找到满足规则的url进行爬取）

class crapy.linkextractors.lxmlhtml.LxmlLinkExtractor(allow=(), deny=(), allow_domains=(), deny_domains=(), deny_extensions=None, restrict_xpaths=(), restrict_css=(), tags=(‘a‘, ‘area‘), attrs=(‘href‘, ), canonicalize=True, unique=True, process_value=None)

主要参数介绍：

allow:允许的url，所有满足这个正则表达式的url都会被提取

deny:禁止的url,所有满足这个正则表达式的url都不会被提取

allow_domains:允许的域名，在域名中的url才会被提取

deny_domains:禁止的域名，在域名中的url不会被提取

restrict_xpaths:使用xpath提取

restrict_css:使用css提取

2、Rule规则类

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

主要参数介绍：

link_extractor:一个LinkExtractor对象，用来定义爬取规则

callback:回调函数

follow:从response中提取的url如满足条件是否进行跟进

process_links：从link_extractor中获取到的链接首先会传递给该函数，主要用来过滤掉无用的链接

（4）、实验（微信小程序社区爬虫）

1、目标站点选取（http://www.wxapp-union.com/portal.php?mod=list&catid=2&page=1）

2、创建项目和爬虫

scrapy startproject weixin_app---cd weixin_app---scrapy genspider -t crawl spider wxapp-union.com

观察一下发现spider.py文件已改变了

3、编写代码

改写settings.py

禁止遵循robots协议

设置请求头

设置爬取延迟

开启pipeline

改写items.py

改写pipeline.py

改写spiders.py

（5）、运行效果展示（只贴出了第一条数据）

（6）、总结

1、CrawlSpider主要使用LinkExtractor 和 Rule

2、注意事项：allow设置方法：限定在我们想要的url上，不要与其他url产生相同的正则表达式，follow设置方法：在爬取页面的时候需要将满足条件的url进行跟进，设置为True，callback设置方法：在获取详情信息的页面需指定callback，而对于只要获取url,而不要具体数据的情况则不需要指定该参数。