编写简单爬虫
爬取自己的csdn博文链接
# -*- coding:gb2312 -*-
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import Selector
#from dirbot.items import Website
import sys
import string
sys.stdout = open('output.txt', 'w') # 将打印信息输出在相应的位置下
add = 0
class CSDNSpider(CrawlSpider):
name = "csdn_ShirleyPaul"
allowed_domains = ["blog.csdn.net"]
start_urls = [
"http://blog.csdn.net/qq_30043465",
]
rules = (
# 提取匹配 'qq_30043465/p/' 的链接并使用spider的parse_item方法进行分析
#http://blog.csdn.net/qq_30043465/article/details/
Rule(SgmlLinkExtractor(allow=('qq_30043465/article/details/',)), callback='parse_item'),
)
def parse_item(self, response):
global add # 用于统计博文的数量
print add
add += 1
sel = Selector(response)
items = []
item = {}
item['headTitle'] = sel.xpath('/html/head/title/text()').extract() # 观察网页对应得html源码
item['url'] = response
print item
items.append(item)
return items
在相应spiders的目录文件下运行
scrapy crawl csdn_ShirleyPaul
===========================================
CrawlSpider
class scrapy.contrib.spiders.CrawlSpider
爬取一般网站常用的spider。
其定义了一些规则(rule)来提供跟进link的方便的机制。 也可以实现自己的spider。
除了从Spider继承过来的(您必须提供的)属性外,其提供了一个新的属性:
rules
一个包含一个(或多个) Rule 对象的集合(list)。
每个 Rule 对爬取网站的动作定义了特定表现。 如果多个rule匹配了相同的链接,则根据他们在本属性中被定义的顺序,第一个会被使用。
该spider也提供了一个可复写(overrideable)的方法:
parse_start_url(response)
当start_url的请求返回时,该方法被调用。
该方法分析最初的返回值并必须返回一个 Item 对象或者 一个 Request 对象或者 一个可迭代的包含二者对象。
爬取规则(Crawling rules)
class scrapy.contrib.spiders.Rule(link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None, process_request=None)
link_extractor
是一个 Link Extractor 对象。 其定义了如何从爬取到的页面提取链接。
callback
是一个callable或string(该spider中同名的函数将会被调用)。
从link_extractor中每获取到链接时将会调用该函数。该回调函数接受一个response作为其第一个参数, 并返回一个包含 Item 以及(或) Request 对象(或者这两者的子类)的列表(list)。
警告:当编写爬虫规则时,请避免使用 parse 作为回调函数
由于 CrawlSpider 使用 parse 方法来实现其逻辑,如果覆盖了 parse 方法,crawl spider 将会运行失败
cb_kwargs
包含传递给回调函数的参数(keyword argument)的字典。
follow
是一个布尔(boolean)值,指定了根据该规则从response提取的链接是否需要跟进。 如果 callback 为None, follow 默认设置为 True ,否则默认为 False 。
process_links
是一个callable或string(该spider中同名的函数将会被调用)。 从link_extractor中获取到链接列表时将会调用该函数。该方法主要用来过滤。
process_request
是一个callable或string(该spider中同名的函数将会被调用)。 该规则提取到每个request时都会调用该函数。该函数必须返回一个request或者None。 (用来过滤request)