CrawlSpider ---> 通用爬虫 项目流程

通用爬虫

通用网络爬虫 从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎建立索引从而提供支持，它决定着整个引擎系统的内容是否丰富，信息是否即时，因此其性能的优劣直接影响着搜索引擎的效果。

不扯没用的，上干货！

创建项目：

　　cmd 命令： scrapy startproject 项目名 

创建

　　cmd 命令：scrapy genspider -t crawl 爬虫名 允许爬取得域名

在spider文件 主爬虫文件.py中 替换 start_urls 为要爬取的网址！

在rules中进行指定规则：
　　ps:规则制定时选中的必须是标签，或正则匹配连接地址（可跳转性）

rules = (
    Rule(LinkExtractor(allow=r'/sort/?st=product&sort=A\[A-Z]'), follow=True),   # 参数： allow 正则选择要满足的需求特点  deny ：一定不取得特点
    Rule(LinkExtractor(restrict_xpaths="//a[text()='»']"), follow=True),　　　　# 参数 restrict_xpaths 用xpath 反向选择或手写xpath取要满足的需求特点
    Rule(LinkExtractor(restrict_xpaths="/html/body/div[4]/div/div[2]/div[4]/div/div[1]/div/a"), callback='parse_data',follow=False),  # 拷贝xpath选择要满足的需求特点
)

　ps：　　　

　　LinkExtractor（）   链接提取器  对选中连接或标签进行操作
　　follow=True  同位置 继续 提取需求标签
　　follow=False  停止 或 不在 同位置继续提取需求标签
　　clllback='一个函数名'  follow=True 时 没有太大必要使用，除非该页有需求值 follow=False 时 说明你到了目标数据位置 这是把请求的响应抛给了该函数

而到了函数，就可以利用xpath取值了，封装进item里就可以了，这里item不需要你实例化了item= {}就可以了 通用爬虫帮你做了

最后yield item

主爬虫就写完了。

然后 --》 ？？？
然后的是就和普通scrapy一样了，
settings.py 里配置 在之前写的博文里有，自行去查看
item.py 里 设置需求数据字段 
pipelines.py 对数据队列 进行操作

Ps:
了解不深，个人看法：
其实理解这个通用爬虫不难：
就一句话：
 　　需要注意的点就在rules这块对吧，我的理解就是，这是在宏观意义上给你要提取输得位置进行制定规则，可以理解为定位，所有满足特点的位置就是我需求数据存放的位置！

好了 就到这里！ 简单吧 ！
　　

　　其他的？ 自己悟把！哈哈哈！

 

转载于:https://www.cnblogs.com/canhun/p/11134533.html