爬虫Scrapy框架-Crawlspider链接提取器与规则解析器

Posted yangzhizong

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫Scrapy框架-Crawlspider链接提取器与规则解析器相关的知识,希望对你有一定的参考价值。

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

技术分享图片

1.创建scrapy工程

技术分享图片

2.创建爬虫文件

技术分享图片

 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:

技术分享图片

 

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()

 


以上是关于爬虫Scrapy框架-Crawlspider链接提取器与规则解析器的主要内容,如果未能解决你的问题,请参考以下文章

Scrapy框架--CrawlSpider

爬虫学习 16.Python网络爬虫之Scrapy框架(CrawlSpider)

Python网络爬虫之Scrapy框架(CrawlSpider)

小爬虫学习—— Scrapy框架

Scrapy爬虫框架---CrawlSpider类

Scrapy框架之CrawlSpider