Scrapy框架CrawlSpiders的介紹以及使用詳解
在Scrapy基礎(chǔ)——Spider中,我簡(jiǎn)要地說(shuō)了一下Spider類。Spider基本上能做很多事情了,但是如果你想爬取知乎或者是簡(jiǎn)書(shū)全站的話,你可能需要一個(gè)更強(qiáng)大的武器。CrawlSpider基于Spider,但是可以說(shuō)是為全站爬取而生。
CrawlSpiders是Spider的派生類,Spider類的設(shè)計(jì)原則是只爬取start_url列表中的網(wǎng)頁(yè),而CrawlSpider類定義了一些規(guī)則(rule)來(lái)提供跟進(jìn)link的方便的機(jī)制,從爬取的網(wǎng)頁(yè)中獲取link并繼續(xù)爬取的工作更適合。
一、我們先來(lái)分析一下CrawlSpiders源碼
源碼解析 class CrawlSpider(Spider): rules = () def __init__(self, *a, **kw): super(CrawlSpider, self).__init__(*a, **kw) self._compile_rules() # 首先調(diào)用parse()來(lái)處理start_urls中返回的response對(duì)象 # parse()則將這些response對(duì)象傳遞給了_parse_response()函數(shù)處理,并設(shè)置回調(diào)函數(shù)為parse_start_url() # 設(shè)置了跟進(jìn)標(biāo)志位True # parse將返回item和跟進(jìn)了的Request對(duì)象 def parse(self, response): return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True) # 處理start_url中返回的response,需要重寫(xiě) def parse_start_url(self, response): return [] def process_results(self, response, results): return results # 從response中抽取符合任一用戶定義'規(guī)則'的鏈接,并構(gòu)造成Resquest對(duì)象返回 def _requests_to_follow(self, response): if not isinstance(response, HtmlResponse): return seen = set() # 抽取之內(nèi)的所有鏈接,只要通過(guò)任意一個(gè)'規(guī)則',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] # 使用用戶指定的process_links處理每個(gè)連接 if links and rule.process_links: links = rule.process_links(links) # 將鏈接加入seen集合,為每個(gè)鏈接生成Request對(duì)象,并設(shè)置回調(diào)函數(shù)為_(kāi)repsonse_downloaded() for link in links: seen.add(link) # 構(gòu)造Request對(duì)象,并將Rule規(guī)則中定義的回調(diào)函數(shù)作為這個(gè)Request對(duì)象的回調(diào)函數(shù) r = Request(url=link.url, callback=self._response_downloaded) r.meta.update(rule=n, link_text=link.text) # 對(duì)每個(gè)Request調(diào)用process_request()函數(shù)。該函數(shù)默認(rèn)為indentify,即不做任何處理,直接返回該Request. yield rule.process_request(r) # 處理通過(guò)rule提取出的連接,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對(duì)象,會(huì)用callback解析處理他,并返回request或Item對(duì)象 def _parse_response(self, response, callback, cb_kwargs, follow=True): # 首先判斷是否設(shè)置了回調(diào)函數(shù)。(該回調(diào)函數(shù)可能是rule中的解析函數(shù),也可能是 parse_start_url函數(shù)) # 如果設(shè)置了回調(diào)函數(shù)(parse_start_url()),那么首先用parse_start_url()處理response對(duì)象, # 然后再交給process_results處理。返回cb_res的一個(gè)列表 if callback: #如果是parse調(diào)用的,則會(huì)解析成Request對(duì)象 #如果是rule callback,則會(huì)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 # 如果需要跟進(jìn),那么使用定義的Rule規(guī)則提取并返回這些Request對(duì)象 if follow and self._follow_links: #返回每個(gè)Request對(duì)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、 CrawlSpider爬蟲(chóng)文件字段的介紹
1、 CrawlSpider繼承于Spider類,除了繼承過(guò)來(lái)的屬性外(name、allow_domains),還提供了新的屬性和方法:class scrapy.linkextractors.LinkExtractorLink Extractors 的目的很簡(jiǎn)單: 提取鏈接。每個(gè)LinkExtractor有唯一的公共方法是 extract_links(),它接收一個(gè) Response 對(duì)象,并返回一個(gè) scrapy.link.Link 對(duì)象。
Link Extractors要實(shí)例化一次,并且 extract_links 方法會(huì)根據(jù)不同的 response 調(diào)用多次提取鏈接。
class scrapy.linkextractors.LinkExtractor( allow = (), deny = (), allow_domains = (), deny_domains = (), deny_extensions = None, restrict_xpaths = (), tags = ('a','area'), attrs = ('href'), canonicalize = True, unique = True, process_value = None )
主要參數(shù):
① allow:滿足括號(hào)中“正則表達(dá)式”的值會(huì)被提取,如果為空,則全部匹配。
② deny:與這個(gè)正則表達(dá)式(或正則表達(dá)式列表)不匹配的URL一定不提取。
③ allow_domains:會(huì)被提取的鏈接的domains。
④ deny_domains:一定不會(huì)被提取鏈接的domains。
⑤ restrict_xpaths:使用xpath表達(dá)式,和allow共同作用過(guò)濾鏈接。
2、 在rules中包含一個(gè)或多個(gè)Rule對(duì)象,每個(gè)Rule對(duì)爬取網(wǎng)站的動(dòng)作定義了特定操作。如果多個(gè)rule匹配了相同的鏈接,則根據(jù)規(guī)則在本集合中被定義的順序,第一個(gè)會(huì)被使用。
class scrapy.spiders.Rule( link_extractor, callback = None, cb_kwargs = None, follow = None, process_links = None, process_request = None )
① link_extractor:是一個(gè)Link Extractor對(duì)象,用于定義需要提取的鏈接。
② callback: 從link_extractor中每獲取到鏈接時(shí),參數(shù)所指定的值作為回調(diào)函數(shù),該回調(diào)函數(shù)接受一個(gè)response作為其第一個(gè)參數(shù)。
注意:當(dāng)編寫(xiě)爬蟲(chóng)規(guī)則時(shí),避免使用parse作為回調(diào)函數(shù)。由于CrawlSpider使用parse方法來(lái)實(shí)現(xiàn)其邏輯,如果覆蓋了 parse方法,crawl spider將會(huì)運(yùn)行失敗。
③ follow:是一個(gè)布爾(boolean)值,指定了根據(jù)該規(guī)則從response提取的鏈接是否需要跟進(jìn)。 如果callback為None,follow 默認(rèn)設(shè)置為T(mén)rue ,否則默認(rèn)為False。
④ process_links:指定該spider中哪個(gè)的函數(shù)將會(huì)被調(diào)用,從link_extractor中獲取到鏈接列表時(shí)將會(huì)調(diào)用該函數(shù)。該方法主要用來(lái)過(guò)濾。
⑤ process_request:指定該spider中哪個(gè)的函數(shù)將會(huì)被調(diào)用, 該規(guī)則提取到每個(gè)request時(shí)都會(huì)調(diào)用該函數(shù)。 (用來(lái)過(guò)濾request)
3、Scrapy提供了log功能,可以通過(guò) logging 模塊使用??梢孕薷呐渲梦募ettings.py,任意位置添加下面兩行,效果會(huì)清爽很多。
LOG_FILE = "TencentSpider.log" LOG_LEVEL = "INFO"
Scrapy提供5層logging級(jí)別:
① CRITICAL - 嚴(yán)重錯(cuò)誤(critical)
② ERROR - 一般錯(cuò)誤(regular errors)
③ WARNING - 警告信息(warning messages)
④ INFO - 一般信息(informational messages)
⑤ DEBUG - 調(diào)試信息(debugging messages)
通過(guò)在setting.py中進(jìn)行以下設(shè)置可以被用來(lái)配置logging:
① LOG_ENABLED 默認(rèn): True,啟用logging
② LOG_ENCODING 默認(rèn): 'utf-8',logging使用的編碼
③ LOG_FILE 默認(rèn): None,在當(dāng)前目錄里創(chuàng)建logging輸出文件的文件名
④ LOG_LEVEL 默認(rèn): 'DEBUG',log的最低級(jí)別
⑤ LOG_STDOUT 默認(rèn): False 如果為 True,進(jìn)程所有的標(biāo)準(zhǔn)輸出(及錯(cuò)誤)將會(huì)被重定向到log中。例如,執(zhí)行 print "hello" ,其將會(huì)在Scrapy log中顯示。
三、 CrawlSpider爬蟲(chóng)案例分析
1、創(chuàng)建項(xiàng)目:scrapy startproject CrawlYouYuan
2、創(chuàng)建爬蟲(chóng)文件:scrapy genspider -t crawl youyuan youyuan.com
3、項(xiàng)目文件分析
items.py
模型類 import scrapy class CrawlyouyuanItem(scrapy.Item): # 用戶名 username = scrapy.Field() # 年齡 age = scrapy.Field() # 頭像圖片的鏈接 header_url = scrapy.Field() # 相冊(cè)圖片的鏈接 images_url = scrapy.Field() # 內(nèi)心獨(dú)白 content = scrapy.Field() # 籍貫 place_from = scrapy.Field() # 學(xué)歷 education = scrapy.Field() # 興趣愛(ài)好 hobby = scrapy.Field() # 個(gè)人主頁(yè) source_url = scrapy.Field() # 數(shù)據(jù)來(lái)源網(wǎng)站 sourec = scrapy.Field() # utc 時(shí)間 time = scrapy.Field() # 爬蟲(chóng)名 spidername = scrapy.Field()
youyuan.py
爬蟲(chóng)文件 # -*- coding: utf-8 -*- import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from CrawlYouYuan.items import CrawlyouyuanItem import re class YouyuanSpider(CrawlSpider): name = 'youyuan' allowed_domains = ['youyuan.com'] start_urls = ['http://www.youyuan.com/find/beijing/mm18-25/advance-0-0-0-0-0-0-0/p1/'] # 自動(dòng)生成的文件不需要改東西,只需要添加rules文件里面Rule角色就可以 # 每一頁(yè)匹配規(guī)則 page_links = LinkExtractor(allow=(r"youyuan.com/find/beijing/mm18-25/advance-0-0-0-0-0-0-0/p\d+/")) # 每個(gè)人個(gè)人主頁(yè)匹配規(guī)則 profile_links = LinkExtractor(allow=(r"youyuan.com/\d+-profile/")) rules = ( # 沒(méi)有回調(diào)函數(shù),說(shuō)明follow是True Rule(page_links), # 有回調(diào)函數(shù),說(shuō)明follow是False Rule(profile_links, callback='parse_item', follow=True), ) def parse_item(self, response): item = CrawlyouyuanItem() item['username'] = self.get_username(response) # 年齡 item['age'] = self.get_age(response) # 頭像圖片的鏈接 item['header_url'] = self.get_header_url(response) # 相冊(cè)圖片的鏈接 item['images_url'] = self.get_images_url(response) # 內(nèi)心獨(dú)白 item['content'] = self.get_content(response) # 籍貫 item['place_from'] = self.get_place_from(response) # 學(xué)歷 item['education'] = self.get_education(response) # 興趣愛(ài)好 item['hobby'] = self.get_hobby(response) # 個(gè)人主頁(yè) item['source_url'] = response.url # 數(shù)據(jù)來(lái)源網(wǎng)站 item['sourec'] = "youyuan" yield item def get_username(self, response): username = response.xpath("http://dl[@class='personal_cen']//div[@class='main']/strong/text()").extract() if len(username): username = username[0] else: username = "NULL" return username.strip() def get_age(self, response): age = response.xpath("http://dl[@class='personal_cen']//dd/p/text()").extract() if len(age): age = re.findall(u"\d+歲", age[0])[0] else: age = "NULL" return age.strip() def get_header_url(self, response): header_url = response.xpath("http://dl[@class='personal_cen']/dt/img/@src").extract() if len(header_url): header_url = header_url[0] else: header_url = "NULL" return header_url.strip() def get_images_url(self, response): images_url = response.xpath("http://div[@class='ph_show']/ul/li/a/img/@src").extract() if len(images_url): images_url = ", ".join(images_url) else: images_url = "NULL" return images_url def get_content(self, response): content = response.xpath("http://div[@class='pre_data']/ul/li/p/text()").extract() if len(content): content = content[0] else: content = "NULL" return content.strip() def get_place_from(self, response): place_from = response.xpath("http://div[@class='pre_data']/ul/li[2]//ol[1]/li[1]/span/text()").extract() if len(place_from): place_from = place_from[0] else: place_from = "NULL" return place_from.strip() def get_education(self, response): education = response.xpath("http://div[@class='pre_data']/ul/li[3]//ol[2]/li[2]/span/text()").extract() if len(education): education = education[0] else: education = "NULL" return education.strip() def get_hobby(self, response): hobby = response.xpath("http://dl[@class='personal_cen']//ol/li/text()").extract() if len(hobby): hobby = ",".join(hobby).replace(" ", "") else: hobby = "NULL" return hobby.strip()
pipelines.py
管道文件 import json import codecs class CrawlyouyuanPipeline(object): def __init__(self): self.filename = codecs.open('content.json', 'w', encoding='utf-8') def process_item(self, item, spider): html = json.dumps(dict(item), ensure_ascii=False) self.filename.write(html + '\n') return item def spider_closed(self, spider): self.filename.close()
settings.py
BOT_NAME = 'CrawlYouYuan' SPIDER_MODULES = ['CrawlYouYuan.spiders'] NEWSPIDER_MODULE = 'CrawlYouYuan.spiders' # Crawl responsibly by identifying yourself (and your website) on the user-agent USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:56.0)' # Obey robots.txt rules ROBOTSTXT_OBEY = True ITEM_PIPELINES = { 'CrawlYouYuan.pipelines.CrawlyouyuanPipeline': 300, }
begin.py
from scrapy import cmdline cmdline.execute('scrapy crawl youyuan'.split())
在運(yùn)行程序之前需要使Scrapy版本和Twisted版本相吻合,設(shè)置如下
這次分享詳細(xì)介紹了使用Scrapy框架爬蟲(chóng)的具體步驟,并同時(shí)編寫(xiě)爬蟲(chóng)案例進(jìn)行分析,很好的詮釋了Scrapy框架爬取數(shù)據(jù)的方便性和易懂性,下篇文章我會(huì)分享下Scrapy分布式爬取網(wǎng)站,讓我們一起學(xué)習(xí),一起探討爬蟲(chóng)技術(shù)。
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
python3.6.8 + pycharm + PyQt5 環(huán)境搭建的圖文教程
這篇文章主要介紹了python3.6.8 + pycharm + PyQt5 環(huán)境搭建,本文通過(guò)圖文并茂的形式給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-06-06Python實(shí)現(xiàn)隨機(jī)森林RF模型超參數(shù)的優(yōu)化詳解
這篇文章主要為大家詳細(xì)介紹了基于Python的隨機(jī)森林(Random Forest,RF)回歸代碼,以及模型超參數(shù)(包括決策樹(shù)個(gè)數(shù)與最大深度、最小分離樣本數(shù)、最小葉子節(jié)點(diǎn)樣本數(shù)、最大分離特征數(shù)等)自動(dòng)優(yōu)化的代碼,感興趣的小伙伴可以了解一下2023-02-02PyCharm運(yùn)行Python代碼時(shí)出現(xiàn)"未找到模塊"錯(cuò)誤解決步驟
在使用python的過(guò)程中經(jīng)常會(huì)遇到一個(gè)問(wèn)題,就是叫什么名字的模塊未發(fā)現(xiàn),下面這篇文章主要給大家介紹了關(guān)于PyCharm運(yùn)行Python代碼時(shí)出現(xiàn)"未找到模塊"錯(cuò)誤的解決步驟,需要的朋友可以參考下2023-11-11Python檢測(cè)生僻字的實(shí)現(xiàn)方法
最近在工作中碰到一個(gè)需求,要求檢測(cè)字段是否包含生僻字以及一些非法字符如 ~!@#$%^&*。通過(guò)網(wǎng)上的查找資料解決了,現(xiàn)在將解決的過(guò)程和示例代碼分享給大家,有需要的可以參考借鑒。下面來(lái)一起看看吧。2016-10-10Python爬蟲(chóng)中Selenium實(shí)現(xiàn)文件上傳
這篇文章主要介紹了Python爬蟲(chóng)中Selenium實(shí)現(xiàn)文件上傳,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-12-12Python?Playwright進(jìn)行常見(jiàn)的頁(yè)面交互操作
在使用?Playwright?進(jìn)行?Web?自動(dòng)化時(shí),頁(yè)面交互是核心操作之一,本文將詳細(xì)介紹如何使用?Playwright?進(jìn)行常見(jiàn)的頁(yè)面交互操作,希望對(duì)大家有所幫助2024-10-10pyqt5實(shí)現(xiàn)繪制ui,列表窗口,滾動(dòng)窗口顯示圖片的方法
今天小編就為大家分享一篇pyqt5實(shí)現(xiàn)繪制ui,列表窗口,滾動(dòng)窗口顯示圖片的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-06-06