- 创建项目前文已经有了,不在赘述,在生成模板时指定crawl模板(以爬取拉钩为例):
scrapy gendpider -t crawl lagou www.lagou.com
,生成如下模板
在rules中创建Rule对象,明确url的提取规则,即哪些是详情页的url,哪些页面中存在详情页url,如首先爬虫会调用start_requests
方法访问主页(start_requests
方法是继承自scrapy.Spider,因为LagouSpider继承CrawlSpider,而CrawlSpider继承了scrapy.Spider),根据Rule中的allow规则提取相应的url,然后再调用start_requests访问该url,如果Rule中传递了callback参数(提取详情页的方法:如图中的parse_item方法),则调用该方法并将response传递该方法,如果没有传递则调用继承自CrawlSpider的parse方法并将response传给parse方法
通过分析拉钩网可以知道,在首页、招聘页、公司也都存在详情页的url
scrapy爬虫(五)--使用crawl模板进行全站爬取
最新推荐文章于 2022-09-24 06:15:00 发布