crawlSpiders深度爬虫

通过以下命令可以快速创建CrawlSpider模板的代码

scrapy genspider -t crawl tencent tencent.com

---

class scrapy.spider.CrawlSpider

它是Spider的派生类，spider类的设计原则只是爬去start_url列表中的网页，而CrawlSpider类定义了一些规则来提供跟进link的方便机制，从爬取的网页中获取link的方便机制，从爬取的网页中获取link并继续爬取的工作更合适。

---

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中的返回的response对象
    #parse()则将这些response对象传递给了_parse_respose()函数处理，并设置了调回函数parse_start_url()
    #设置了跟进标志位True
    #parse将返回item和跟进了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中抽取符合任意用户定义’规则‘的链接，并构造成response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处理的每个链接
            if links and rule.process_links:
                links = rule.process_links(links)
            #将链接加入到seen集合，为每个链接生产qequest对象，并设置回调函数为_response_download()
            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的回调函数
                r=Request(url=link.url,callback=self._repose_download)
                r.meta.update(rule=n,link_text=link_text)
                #对每个 Request调用process_request()。该函数默认为indentify,即不做任何处理，直接返回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)
            

---

LinkExtractors

class scrapy.linkextractors.LinkExtractor
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｡

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
)

主要参数：

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。

• restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接。