Python的Scrapy框架中的CrawlSpider介紹和使用
一、介紹CrawlSpider
CrawlSpider其實是Spider的一個子類,除了繼承到Spider的特性和功能外,還派生除了其自己獨有的更加強大的特性和功能。其中最顯著的功能就是”LinkExtractors鏈接提取器“。
Spider是所有爬蟲的基類,其設計原則只是為了爬取start_url列表中網頁,而從爬取到的網頁中提取出的url進行繼續(xù)的爬取工作使用CrawlSpider更合適。

源碼:
class CrawlSpider(Spider):
rules = ()
def __init__(self, *a, **kw):
super(CrawlSpider, self).__init__(*a, **kw)
self._compile_rules()
#首先調用parse()來處理start_urls中返回的response對象
#parse()則將這些response對象傳遞給了_parse_response()函數處理,并設置回調函數為parse_start_url()
#設置了跟進標志位True
#parse將返回item和跟進了的Request對象
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
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,并構造成Resquest對象返回
def _requests_to_follow(self, response):
if not isinstance(response, HtmlResponse):
return
seen = set()
#抽取之內的所有鏈接,只要通過任意一個'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處理每個連接
if links and rule.process_links:
links = rule.process_links(links)
#將鏈接加入seen集合,為每個鏈接生成Request對象,并設置回調函數為_repsonse_downloaded()
for link in links:
seen.add(link)
#構造Request對象,并將Rule規(guī)則中定義的回調函數作為這個Request對象的回調函數
r = Request(url=link.url, callback=self._response_downloaded)
r.meta.update(rule=n, link_text=link.text)
#對每個Request調用process_request()函數。該函數默認為indentify,即不做任何處理,直接返回該Request.
yield rule.process_request(r)
#處理通過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對象,會用callback解析處理他,并返回request或Item對象
def _parse_response(self, response, callback, cb_kwargs, follow=True):
#首先判斷是否設置了回調函數。(該回調函數可能是rule中的解析函數,也可能是 parse_start_url函數)
#如果設置了回調函數(parse_start_url()),那么首先用parse_start_url()處理response對象,
#然后再交給process_results處理。返回cb_res的一個列表
if callback:
#如果是parse調用的,則會解析成Request對象
#如果是rule callback,則會解析成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,那么使用定義的Rule規(guī)則提取并返回這些Request對象
if follow and self._follow_links:
#返回每個Request對象
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)文檔:Spiders — Scrapy 2.9.0 documentation
二、框架搭建
1.創(chuàng)建scrapy框架工程
scrapy startproject Meitou
2.進入工程目錄
cd Meitou
3.創(chuàng)建爬蟲文件
scrapy genspider -t crawl 爬蟲任務名稱 爬取的范圍域 scrapy genspider -t crawl crawl_yjin xx.com
此指令對比以前指令多了"-t crawl",表示創(chuàng)建的爬蟲文件是基于CrawlSpider這個類的,而不再是Spider這個基類。
4.啟動爬蟲文件
scrapy crawl crawl_yjin --nolog
(一)、查看生成的爬蟲文件:

Rule(規(guī)則): 規(guī)范url構造請求對象的規(guī)則
LinkExtractor(鏈接提取器):規(guī)范url的提取范圍
CrawlSpider:是一個類模板,繼承自Spider,功能就更加的強大
(二)、查看LinkExtractor源碼:
LinkExtractor 鏈接提取器
作用:提取response中符合規(guī)則的鏈接。

主要參數含義:
- LinkExtractor:規(guī)范url提取可用的部分
- allow=(): 滿足括號中“正則表達式”的值會被提取,如果為空,則全部匹配。
- deny=(): 與這個正則表達式(或正則表達式列表)不匹配的URL一定不提取。
- allow_domains=():允許的范圍域
- deny_domains=(): 不允許的范圍域
- restrict_xpaths=(): 使用xpath表達式,和allow共同作用過濾鏈接(只選到節(jié)點,不選到屬性)
- tags=('a', 'area'): 指定標簽
- attrs=('href',): 指定屬性
(三)、查看Rule源碼:
Rule : 規(guī)則解析器。根據鏈接提取器中提取到的鏈接,根據指定規(guī)則提取解析器鏈接網頁中的內容
Rule (LinkExtractor(allow=r"Items/"), callback="parse_item", follow=True)

主要參數含義:
- link_extractor為LinkExtractor,用于定義需要提取的鏈接
- callback參數:當link_extractor獲取到鏈接時參數所指定的值作為回調函數
- callback參數使用注意: 當編寫爬蟲規(guī)則時,請避免使用parse作為回調函數。于CrawlSpider使用parse方法來實現(xiàn)其邏輯,如果您覆蓋了parse方法,crawlspider將會運行失敗
- follow:指定了根據該規(guī)則從response提取的鏈接是否需要跟進。 當callback為None,默認值為True
- process_links:主要用來過濾由link_extractor獲取到的鏈接
- process_request:主要用來過濾在rule中提取到的request
rules=( ):指定不同規(guī)則解析器。一個Rule對象表示一種提取規(guī)則。
(四)、CrawlSpider整體爬取流程:
(a) 爬蟲文件首先根據起始url,獲取該url的網頁內容
(b) 鏈接提取器會根據指定提取規(guī)則將步驟a中網頁內容中的鏈接進行提取
(c) 規(guī)則解析器會根據指定解析規(guī)則將鏈接提取器中提取到的鏈接中的網頁內容根據指定的規(guī)則進行解析
(d) 將解析數據封裝到item中,然后提交給管道進行持久化存儲
三、基于CrawlSpider使用
(1)spider爬蟲文件代碼
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class CrawlYjinSpider(CrawlSpider):
name = "crawl_yjin"
allowed_domains = ["xiachufang.com"]
start_urls = ["https://www.xiachufang.com/category/40073/"] # 起始url (分類列表的小吃)
# 創(chuàng)建一個Rule對象(也創(chuàng)建一個LinkExtractor對象)
rules = (
# 菜單詳情地址
# https://www.xiachufang.com/recipe/106909278/
# https://www.xiachufang.com/recipe/1055105/
Rule(LinkExtractor(allow=r".*?/recipe/\d+/$"), callback="parse_item", follow=False),
)
# 解析菜單詳情
def parse_item(self, response):
# 不需要手動構造item對象
item = {}
# print(response.url)
# 圖片鏈接,名稱,評分,多少人做過,發(fā)布人
item['imgs'] = response.xpath('//div/img/@src').get()
#去除空格和\n
item['title']=''.join(response.xpath('//div/h1/text()').get()).replace(' ','').replace('\n','')
item['score']=response.xpath('//div[@class="score float-left"]/span[@class="number"]/text()').extract_first()
item['number']=response.xpath('//div[@class="cooked float-left"]/span[@class="number"]/text()').get()
item['author']=''.join(response.xpath('//div[@class="author"]/a/img/@alt').get()).replace('的廚房','')
# print(item)
return item(2)數據保存>>pipelines管道文件
import json
from itemadapter import ItemAdapter
class MeitouPipeline:
"""處理items對象的數據"""
def __init__(self):
self.file_=open('xcf-1.json','w',encoding='utf-8')
print('文件打開了。。。')
def process_item(self, item, spider):
"""item接收爬蟲器丟過來的items對象"""
py_dict=dict(item) # 先把攜帶鍵值對數據items對象轉成字典
#dict轉換成json數據
json_data=json.dumps(py_dict,ensure_ascii=False)+",\n"
#寫入
self.file_.write(json_data)
print("寫入數據...")
return item
def __del__(self):
self.file_.close() #關閉
print('文件關閉了....')(3)settings相關設置 >>settings.py設置文件
# 全局用戶代理,默認是被注釋了,不生效
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
# 設置下載延時
DOWNLOAD_DELAY = 1
#開啟管道
ITEM_PIPELINES = {
"Meitou.pipelines.MeitouPipeline": 300,
}(4)運行程序 >>scrapy crawl crawl_yjin --nolog

查看保存的json文件

到此這篇關于Python的Scrapy框架中的CrawlSpider介紹和使用的文章就介紹到這了,更多相關Scrapy框架中的CrawlSpider 內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
python調用jenkinsAPI構建jenkins,并傳遞參數的示例
這篇文章主要介紹了python調用jenkinsAPI構建jenkins,并傳遞參數的示例,幫助大家更好的理解和學習python,感興趣的朋友可以了解下2020-12-12
python實現(xiàn)pdf轉word和excel的示例代碼
本文主要介紹了python實現(xiàn)pdf轉word和excel的示例代碼,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2025-01-01
python?os.stat()如何獲取相關文件的系統(tǒng)狀態(tài)信息
這篇文章主要介紹了python?os.stat()如何獲取相關文件的系統(tǒng)狀態(tài)信息,具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教2022-11-11

