一、CrawlSpiders类简介
通过下面的命令可以快速创建 CrawlSpider模板 的代码：
scrapy genspider -t crawl tencent tencent.com
上一个案例中，我们通过正则表达式，制作了新的url作为Request请求参数，现在我们可以换个花样...
class scrapy.spiders.CrawlSpider
它是Spider的派生类，Spider类的设计原则是只爬取start_url列表中的网页，而CrawlSpider类定义了一些规则(rule)来提供跟进link的方便的机制，从爬取的网页中获取link并继续爬取的工作更适合。
源码参考
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
|
class
CrawlSpider(Spider):
rules
=
()
def
__init__(
self
,
*
a,
*
*
kw):
super
(CrawlSpider,
self
).__init__(
*
a,
*
*
kw)
self
._compile_rules()
#首先调用parse()来处理start_urls中返回的response对象
#parse()则将这些response对象传递给了_parse_response()函数处理，并设置回调函数为parse_start_url()
#设置了跟进标志位True
#parse将返回item和跟进了的Request对象
def
parse(
self
, response):
return
self
._parse_response(response,
self
.parse_start_url, cb_kwargs
=
{}, follow
=
True
)
#处理start_url中返回的response，需要重写
def
parse_start_url(
self
, response):
return
[]
def
process_results(
self
, response, results):
return
results
#从response中抽取符合任一用户定义'规则'的链接，并构造成Resquest对象返回
def
_requests_to_follow(
self
, response):
if
not
isinstance
(response, HtmlResponse):
return
seen
=
set
()
#抽取之内的所有链接，只要通过任意一个'规则'，即表示合法
for
n, rule
in
enumerate
(
self
._rules):
links
=
[l
for
l
in
rule.link_extractor.extract_links(response)
if
l
not
in
seen]
#使用用户指定的process_links处理每个连接
if
links
and
rule.process_links:
links
=
rule.process_links(links)
#将链接加入seen集合，为每个链接生成Request对象，并设置回调函数为_repsonse_downloaded()
for
link
in
links:
seen.add(link)
#构造Request对象，并将Rule规则中定义的回调函数作为这个Request对象的回调函数
r
=
Request(url
=
link.url, callback
=
self
._response_downloaded)
r.meta.update(rule
=
n, link_text
=
link.text)
#对每个Request调用process_request()函数。该函数默认为indentify，即不做任何处理，直接返回该Request.
yield
rule.process_request(r)
#处理通过rule提取出的连接，并返回item以及request
def
_response_downloaded(
self
, response):
rule
=
self
._rules[response.meta[
'rule'
]]
return
self
._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)
#解析response对象，会用callback解析处理他，并返回request或Item对象
def
_parse_response(
self
, response, callback, cb_kwargs, follow
=
True
):
#首先判断是否设置了回调函数。（该回调函数可能是rule中的解析函数，也可能是 parse_start_url函数）
#如果设置了回调函数（parse_start_url()），那么首先用parse_start_url()处理response对象，
#然后再交给process_results处理。返回cb_res的一个列表
if
callback:
#如果是parse调用的，则会解析成Request对象
#如果是rule callback，则会解析成Item
cb_res
=
callback(response,
*
*
cb_kwargs)
or
()
cb_res
=
self
.process_results(response, cb_res)
for
requests_or_item
in
iterate_spider_output(cb_res):
yield
requests_or_item
#如果需要跟进，那么使用定义的Rule规则提取并返回这些Request对象
if
follow
and
self
._follow_links:
#返回每个Request对象
for
request_or_item
in
self
._requests_to_follow(response):
yield
request_or_item
def
_compile_rules(
self
):
def
get_method(method):
if
callable
(method):
return
method
elif
isinstance
(method,
basestring
):
return
getattr
(
self
, method,
None
)
self
._rules
=
[copy.copy(r)
for
r
in
self
.rules]
for
rule
in
self
._rules:
rule.callback
=
get_method(rule.callback)
rule.process_links
=
get_method(rule.process_links)
rule.process_request
=
get_method(rule.process_request)
def
set_crawler(
self
, crawler):
super
(CrawlSpider,
self
).set_crawler(crawler)
self
._follow_links
=
crawler.settings.getbool(
'CRAWLSPIDER_FOLLOW_LINKS'
,
True
)
|
二、LinkExtractors
Link Extractors 的目的很简单: 提取链接｡
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。
Link Extractors要实例化一次，并且 extract_links 方法会根据不同的 response 调用多次提取链接｡
主要参数
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
class
scrapy.linkextractors.LinkExtractor(
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
deny_extensions
=
None
,
restrict_xpaths
=
(),
# 使用xpath表达式，和allow共同作用过滤链接（一般只用allow就行了）
tags
=
(
'a'
,
'area'
),
attrs
=
(
'href'
),
canonicalize
=
True
,
unique
=
True
,
process_value
=
None
)
|
三、LinkExtractors
在rules中包含一个或多个Rule对象，每个Rule对爬取网站的动作定义了特定操作。如果多个rule匹配了相同的链接，则根据规则在本集合中被定义的顺序，第一个会被使用。
主要参数
|
1
2
3
4
5
6
7
8
|
class
scrapy.spiders.Rule(
link_extractor,
callback
=
None
,
cb_kwargs
=
None
,
follow
=
None
,
process_links
=
None
,
process_request
=
None
)
|
-
link_extractor：是一个Link Extractor对象，用于定义需要提取的链接。 -
callback： 从link_extractor中每获取到链接时，参数所指定的值作为回调函数，该回调函数接受一个response作为其第一个参数。注意：当编写爬虫规则时，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，如果覆盖了 parse方法，crawl spider将会运行失败。
-
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。 -
process_request：指定该spider中哪个的函数将会被调用， 该规则提取到每个request时都会调用该函数。 (用来过滤request)
小Tips
|
1
|
由于CrawlSpider使用parse方法来实现其逻辑，如果覆盖了 parse方法，crawl spider将会运行失败。
|
四、Logging
Scrapy提供了log功能，可以通过 logging 模块使用。
可以修改配置文件settings.py，任意位置添加下面两行。
LOG_FILE = "TencentSpider.log"
LOG_LEVEL = "INFO"
Log levels
-
Scrapy提供5层logging级别:
-
CRITICAL - 严重错误(critical)
- ERROR - 一般错误(regular errors)
- WARNING - 警告信息(warning messages)
- INFO - 一般信息(informational messages)
- DEBUG - 调试信息(debugging messages)
logging设置
通过在setting.py中进行以下设置可以被用来配置logging:
LOG_ENABLED默认: True，启用loggingLOG_ENCODING默认: 'utf-8'，logging使用的编码LOG_FILE默认: None，在当前目录里创建logging输出文件的文件名LOG_LEVEL默认: 'DEBUG'，log的最低级别LOG_STDOUT默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示。
示例1、使用CrawlSpider爬取腾讯招聘网站
爬虫模块
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
# -*- coding: utf-8 -*-
import
scrapy
from
scrapy.linkextractors
import
LinkExtractor
# 导入链接规则匹配类，用来提取符合规则的连接
from
scrapy.spiders
import
CrawlSpider, Rule
# 导入CrawlSpider类和Rule
from
day_31.TencentCrawlSpider.TencentCrawlSpider.items
import
TencentcrawlspiderItem
class
TencentSpider(CrawlSpider):
name
=
'tencent'
allowed_domains
=
[
'tencent.com'
]
start_urls
=
[
'http://hr.tencent.com/position.php?&start=0'
]
rules
=
(
Rule(LinkExtractor(allow
=
r
'position\.php\?&start=\d+#a'
), callback
=
'parse_item'
, follow
=
True
),
# Response里链接的提取规则，返回的符合匹配规则的链接匹配对象的列表
# 获取这个列表里的链接，依次发送请求，并且继续跟进，调用指定回调函数处理
# 前面加r表示将正则表达式编译成一个规则的对象
)
# 指定的回调函数
def
parse_item(
self
, response):
for
i
in
response.xpath(
'//tr[@class="even"] | //tr[@class="odd"]'
):
item
=
TencentcrawlspiderItem()
item[
'name'
]
=
i.xpath(
".//a/text()"
).extract()[
0
]
item[
'link'
]
=
i.xpath(
".//a/@href"
).extract()[
0
]
item[
'type'
]
=
i.xpath(
"./td[2]/text()"
).extract()[
0
]
item[
'number'
]
=
i.xpath(
".//td[3]/text()"
).extract()[
0
]
item[
'place'
]
=
i.xpath(
".//td[4]/text()"
).extract()[
0
]
item[
'rtime'
]
=
i.xpath(
".//td[5]/text()"
).extract()[
0
]
yield
item
|
管道模块
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import
json
class
TencentcrawlspiderPipeline(
object
):
def
__init__(
self
):
self
.
file
=
open
(
'tencent-job.json'
,
'wb'
)
def
process_item(
self
, item, spider):
text
=
json.dumps(
dict
(item),ensure_ascii
=
False
)
+
'\n'
self
.
file
.write(text.encode(
'utf-8'
))
return
item
def
close_spider(
self
, spider):
self
.
file
.close()
|
items.py
settings.py
小Tips
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
1
、python 爬虫爬取内容时， \xa0 、 \u3000 的含义
\xa0 是不间断空白符
我们通常所用的空格是 \x20 ，是在标准ASCII可见字符
0x20
~
0x7e
范围内。
而 \xa0 属于 latin1 （ISO
/
IEC_8859
-
1
）中的扩展字符集字符，代表空白符nbsp(non
-
breaking space)。
latin1 字符集向下兼容 ASCII （
0x20
~
0x7e
）。通常我们见到的字符多数是 latin1 的，比如在 MySQL 数据库中。
\u3000 是全角的空白符
根据
Unicode
编码标准及其基本多语言面的定义， \u3000 属于CJK字符的CJK标点符号区块内，是空白字符之一。它的名字是 Ideographic Space ，有人译作表意字空格、象形字空格等。顾名思义，就是全角的 CJK 空格。它跟 nbsp 不一样，是可以被换行间断的。常用于制造缩进， wiki 还说用于抬头，但没见过。
2
、response.url
# 获取当前页面url
3
、在allow里面的正则匹配，有特殊字符(
'.'
,
'?'
)要加转义字符
'\'
page_lx
=
LinkExtractor(allow
=
(
'position\.php\?&start=\d+'
))
4
、字符串去空格
str
.strip()
|
示例二：爬取网页里面的信息（东莞）
爬虫模块
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
# -*- coding: utf-8 -*-
import
scrapy
from
scrapy.linkextractors
import
LinkExtractor
from
scrapy.spiders
import
CrawlSpider, Rule
from
newdongguan.items
import
NewdongguanItem
class
DongdongSpider(CrawlSpider):
name
=
'dongdong'
allowed_domains
=
[
'wz.sun0769.com'
]
start_urls
=
[
'http://wz.sun0769.com/index.php/question/questionType?type=4&page='
]
# 每一页的匹配规则
pagelink
=
LinkExtractor(allow
=
(
"type=4"
))
# 每一页里的每个帖子的匹配规则
contentlink
=
LinkExtractor(allow
=
(r
"/html/question/\d+/\d+.shtml"
))
rules
=
(
Rule(pagelink),
Rule(contentlink, callback
=
"parse_item"
，follow
=
False
)
)
def
parse_item(
self
, response):
item
=
NewdongguanItem()
# 标题
item[
'title'
]
=
response.xpath(
'//div[contains(@class, "pagecenter p3")]//strong/text()'
).extract()[
0
]
# 编号
item[
'number'
]
=
item[
'title'
].split(
' '
)[
-
1
].split(
":"
)[
-
1
]
# 内容，先使用有图片情况下的匹配规则，如果有内容，返回所有内容的列表集合
content
=
response.xpath(
'//div[@class="contentext"]/text()'
).extract()
# 如果没有内容，则返回空列表，则使用无图片情况下的匹配规则
if
len
(content)
=
=
0
:
content
=
response.xpath(
'//div[@class="c1 text14_2"]/text()'
).extract()
item[
'content'
]
=
"".join(content).strip()
else
:
item[
'content'
]
=
"".join(content).strip()
# 链接
item[
'url'
]
=
response.url
yield
item
|
管道模块
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import
json
class
DongguancrawlspiderPipeline(
object
):
def
__init__(
self
):
self
.
file
=
open
(
'dongguan.json'
,
'wb'
)
def
process_item(
self
, item, spider):
text
=
json.dumps(
dict
(item),ensure_ascii
=
False
)
+
'\n'
self
.
file
.write(text.encode(
'utf-8'
))
return
item
def
close_spider(
self
,spider):
self
.
file
.close()
|
items.py
settings.py
1、提取出来的链接可能被篡改，所以我们可以通过process_link来修改url（一般不会遇到）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
import
scrapy
from
scrapy.linkextractors
import
LinkExtractor
from
scrapy.spiders
import
CrawlSpider, Rule
from
newdongguan.items
import
NewdongguanItem
class
DongdongSpider(CrawlSpider):
name
=
'dongdong'
allowed_domains
=
[
'wz.sun0769.com'
]
start_urls
=
[
'http://wz.sun0769.com/index.php/question/questionType?type=4&page='
]
# 每一页的匹配规则
pagelink
=
LinkExtractor(allow
=
(
"type=4"
))
# 每一页里的每个帖子的匹配规则
contentlink
=
LinkExtractor(allow
=
(r
"/html/question/\d+/\d+.shtml"
))
rules
=
(
# 本案例的url被web服务器篡改，需要调用process_links来处理提取出来的url
Rule(pagelink, process_links
=
"deal_links"
),
Rule(contentlink, callback
=
"parse_item"
)
)
# links 是当前response里提取出来的链接列表
def
deal_links(
self
, links):
for
each
in
links:
each.url
=
each.url.replace(
"?"
,
"&"
).replace(
"Type&"
,
"Type?"
)
return
links
def
parse_item(
self
, response):
...
|
2、修改成spider类
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
# -*- coding: utf-8 -*-
import
scrapy
from
newdongguan.items
import
NewdongguanItem
class
DongdongSpider(scrapy.Spider):
name
=
'xixi'
allowed_domains
=
[
'wz.sun0769.com'
]
url
=
'http://wz.sun0769.com/index.php/question/questionType?type=4&page='
offset
=
0
start_urls
=
[url
+
str
(offset)]
def
parse(
self
, response):
# 每一页里的所有帖子的链接集合
links
=
response.xpath(
'//div[@class="greyframe"]/table//td/a[@class="news14"]/@href'
).extract()
# 迭代取出集合里的链接
for
link
in
links:
# 提取列表里每个帖子的链接，发送请求放到请求队列里,并调用self.parse_item来处理
yield
scrapy.Request(link, callback
=
self
.parse_item)
# 页面终止条件成立前，会一直自增offset的值，并发送新的页面请求，调用parse方法处理
if
self
.offset <
=
71160
:
self
.offset
+
=
30
# 发送请求放到请求队列里，调用self.parse处理response
yield
scrapy.Request(
self
.url
+
str
(
self
.offset), callback
=
self
.parse)
# 处理每个帖子的response内容
def
parse_item(
self
, response):
item
=
NewdongguanItem()
# 标题
item[
'title'
]
=
response.xpath(
'//div[contains(@class, "pagecenter p3")]//strong/text()'
).extract()[
0
]
# 编号
item[
'number'
]
=
item[
'title'
].split(
' '
)[
-
1
].split(
":"
)[
-
1
]
# 内容，先使用有图片情况下的匹配规则，如果有内容，返回所有内容的列表集合
content
=
response.xpath(
'//div[@class="contentext"]/text()'
).extract()
# 如果没有内容，则返回空列表，则使用无图片情况下的匹配规则
if
len
(content)
=
=
0
:
content
=
response.xpath(
'//div[@class="c1 text14_2"]/text()'
).extract()
item[
'content'
]
=
"".join(content).strip()
else
:
item[
'content'
]
=
"".join(content).strip()
# 链接
item[
'url'
]
=
response.url
# 交给管道
yield
item
|
小Tips：
|
1
2
3
4
5
6
7
8
9
10
|
list
=
[a,b,c]
string
=
"123"
.join(
list
)
print
(string)
>> a
123b
123c
string.replace(
"\xa0"
,"")
# 将空格换成空
string.strip()
# 去首尾的空格
string.lstrip()
# 去左边（前面）的空格
string.rstrip()
# 去右边（后面）的空格
|