crawlspider

Posted colden

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crawlspider相关的知识,希望对你有一定的参考价值。

Scrapy中CrawSpider

回头看:

之前的代码中,我们有很大一部分时间在寻找下一页的url地址或者是内容的url地址或者是内容的url地址上面,这个过程能更简单一些么?

思路:

1. 从response中提取所有的a标签对应的url地址     
2. 自动的构造自己requests请求,发送给引擎  

上面的功能可以做的更好:

满足某个条件的url地址,我们才发送给引擎,同时能够指定callback函数

需求:爬取csdn上面所有的博客专家及其文章

url地址:http://blog.csdn.net/experts.html

生产crawlspider的命令:

scrapy genspider -t crawl csdn ‘csdn.cn‘
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

class CsdnspiderSpider(CrawlSpider):  # 继承自spiders的crawspider类
    name = ‘csdnspider‘
    allowed_domains = [‘blog.csdn.net‘]
    start_urls = [‘http://blog.csdn.net/peoplelist.html?channelid=0&page=1‘]  # 第一次请求的url,如果对这个url有特殊的需求,可以定义一个parse_start_url函数专门处理所有对应的响应
    
    rules = (
        Rule(LinkExtractor(allow=r"http://blog.csdn.net/w+$"), fllow=True),  # 能够找到所有作者的博客地址并且请求,$符号加上表示已w结尾,否则会匹配上w+‘/abc/def‘等内容
        Rule(LinkExtractor(allow=r"peoplelist.html?channelid=d+&page=d+$), follow=True),  #找到所有的翻页地址并且请求,$符合同理
        Rule(LinkExtractor(allow=r‘/article/details/d+$‘), callback="parse_article", follow=True),  # 找到所有的文章的url地址,并且请求,调用parase_article函数处理response
        Rule(LinkExtractor(allow=r‘/article/list/d+$‘), follow=True)
    )

注意点:

  1. 用命令创建一个crawlspider模块:scrapy genspider -t crawl <爬虫名字> <all_domain>,也可以手动创建
  2. CrawlSpider中不能再有以parse为名字的数据提取方法,这个方法被CrawlSpider用来实现基础url提取等功能
  3. 一个Rule对象接收很多参数,首先第一个是包含url规则的LinkExtractor对象,常用的还有callback(制定满足规则的url的解析函数的字符串)和follow(response中提取的链接是否需要跟进)
  4. 不指定callback函数的请求下,如果follow为True,满足该rule的url还会继续被请求
  5. 如果多个Rule都满足某一个url,会从rules中选择第一个满足的进行操作

CrawlSpider补充(了解)

LinkExtractor更多常见参数:

allow:满足括号中“正则表达式”的URL会被提取,如果为空,则全部匹配。
deny:满足括号中“正则表达式”的URL一定不提取(优先级高于allow)
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,级xpath满足范围内的url地址会被提取

spiders.Rule常见参数:
link_extractor:是一个LinkExtractor对象,用于定义需要提取的链接。
callback:从linkExtractor中每获取链接时,参数所指定的值作为回调函数。
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。
process_links:指定该spider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url。
process_request:指定该spider中哪个的函数将会被调用,该规则提取每个request时都会调用该函数,用来过滤request

以上是关于crawlspider的主要内容,如果未能解决你的问题,请参考以下文章

11.CrawlSpiders

爬虫框架Scrapy之CrawlSpiders

爬虫--Scrapy-CrawlSpider&分布式爬虫

python——CrawlSpiders类

Scrapy:CrawlSpider的使用

Scrapy:CrawlSpider的使用