Python学习笔记4--爬虫框架scrapySpider 规则的使用

创建项目

scrapy startproject mySpider

创建爬虫

scrapy genspider -t crawl cf cbirc.gov.cn

运行爬虫

scrapy crawl cf

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
import re  # 需要引入


class CfSpider(CrawlSpider):
    name = 'cf'
    allowed_domains = ['csdn.net']
    start_urls = ['https://blog.csdn.net/qq_23586923']

    rules = (
    # 写规则
        Rule(LinkExtractor(allow=r'https://blog.csdn.net/qq_23586923/article/details/\d+'), callback='parse_item'),
        # Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        item = {}
        item["title"] = re.findall("id=\"articleContentId\">(.*?)</h1>", response.body.decode())[0]
        item["time"] = response.xpath("//div[@class='bar-content']/span[1]/text()").extract_first()
        print(item)
        # return item
  • 常见爬虫 scrapy genspider -t crawl 爬虫名 allow_domain

  • 指定start_url,对应的响应会进过rules提取url地址

  • 完善rules,添加Rule Rule(LinkExtractor(allow=r'/web/site0/tab5240/info\d+\.htm'), callback='parse_item'),

  • 注意点:

    • url地址不完整,crawlspider会自动补充完整之后在请求

    • parse函数不能定义,他有特殊的功能需要实现

    • callback:连接提取器提取出来的url地址对应的响应交给他处理

    • follow:连接提取器提取出来的url地址对应的响应是否继续被rules来过滤

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值