爬虫Scrapy框架-Crawlspider链接提取器与规则解析器

Posted 2021-01-13 yangzhizong

一：Crawlspider简介

　　　　CrawlSpider其实是Spider的一个子类，除了继承到Spider的特性和功能外，还派生除了其自己独有的更加强大的特性和功能。其中最显著的功能就是”LinkExtractors链接提取器“。Spider是所有爬虫的基类，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进行继续的爬取工作使用CrawlSpider更合适。

二：Crawlspider使用 

实例：爬取https://www.qiushibaike.com/主页帖子作者以及内容

1.创建scrapy工程

2.创建爬虫文件

 注意：对比以前的指令多了 "-t crawl"，表示创建的爬虫文件是基于CrawlSpider这个类的，而不再是Spider这个基类。

3.生成的目录结构如下：

 

CrawlDemo.py爬虫文件设置：

　　LinkExtractor：顾名思义，链接提取器。
　　Rule : 规则解析器。根据链接提取器中提取到的链接，根据指定规则提取解析器链接网页中的内容。

　　Rule参数介绍：

　　　　参数1：指定链接提取器

　　　　参数2：指定规则解析器解析数据的规则（回调函数）

　　　　参数3：是否将链接提取器继续作用到链接提取器提取出的链接网页中，当callback为None,参数3的默认值为true。

　　rules=( ):指定不同规则解析器。一个Rule对象表示一种提取规则。

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

from crawlPro.items import CrawlproItem
class CrawldemoSpider(CrawlSpider):
    name = ‘crawlDemo‘
    # allowed_domains = [‘www.qiushibaike.com‘]
    start_urls = [‘http://www.qiushibaike.com/‘]
    #rules元祖中存放的是不同规则解析器（封装好了某种解析规则）
    rules = (
        # Rule: 规则解析器，可以将连接提取器提取到的所有连接表示的页面进行指定规则（有中间的回调函数决定）的解析
        #LinkBxtractor:连接提取器，会去上面起始url响应回来的页面中，提取指定的url
        Rule(LinkExtractor(allow=r‘/8hr/page/d+‘), callback=‘parse_item‘, follow=True), #follow=True可以跟进保证将所有页面都提取出来（实际就是去重功能）
    )

    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
        divs=response.xpath(‘//div[@id="content-left"]/div‘)
        for div in divs:
            item=CrawlproItem()
            #提取糗百中段子的作者
            item[‘author‘] = div.xpath(‘./div[@class="author clearfix"]/a[2]/h2/text()‘).extract_first().strip(‘
‘)
            # 提取糗百中段子的内容
            item[‘content‘] = div.xpath(‘.//div[@class="content"]/span/text()‘).extract_first().strip(‘
‘)

            yield item  #将item提交到管道

item.py文件设置：

# -*- 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 CrawlproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    author=scrapy.Field()
    content=scrapy.Field()

pipelines.py管道文件设置：

# -*- 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 CrawlproPipeline(object):
    def __init__(self):
        self.fp = None


    def open_spider(self,spider):
        print(‘开始爬虫‘)
        self.fp = open(‘./data.txt‘,‘w‘,encoding=‘utf-8‘)

    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‘]+‘
‘)
        return item

    def close_spider(self,spider):
        print(‘结束爬虫‘)
        self.fp.close()