CrawlSpiders简介

阅读量：5456 次

发布时间：2019-06-15

本文共 12640 字，大约阅读时间需要 42 分钟。

转：

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

                               
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

                               
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

                               
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

                               
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logging

LOG_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

                               
# -*- 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

                               
# -*- 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()
          
        

小Tips

                               
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

                               
# -*- 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

                               
# -*- 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()
          
        

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）

                               
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

                               
# -*- 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：

                               
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
          
        