CrawlSipder可以自动根据正则表达式提取页面中的url地址,更具相应的参数去到callback函数以及要不要在新提取到的url地址执行提取url地址的规则
创建CrawlSpider
scrapy genspider -t crawl 爬虫文件名 allowed_domains(限定域)
代码
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
import re
'''继承spider的crawlspider类'''
class PunishSpider(CrawlSpider):
name = 'cf'
allowed_domains = ['bxjg.circ.gov.cn']
start_urls = ['http://bxjg.circ.gov.cn/web/site0/tab5240/module14430/page1.htm']
'''
可以定义提取url地址的规则
LinkExtractor 连接提取器,提取url
allow : 可以写入正则表达式
callback: 提取出来的url地址的response交给callback处理
follow: 表示当前的url地址的响应是否重新经过rules来提取url地址
'''
rules = (
Rule(LinkExtractor(allow=r'/web/site0/tab5240/info\d+\.htm'), callback='parse_item'),
Rule(LinkExtractor(allow=r'/web/site0/tab5240/module14430/page\d+\.htm'),follow=True),
)
'''与Spider类不同,CrawlSpider类中的parse函数有特殊功能,不能定义'''
def parse_item(self, response):
item = {}
item['title'] = re.findall("<!--TitleStart-->(.*?)<!--TitleEnd-->",response.body.decode())[0]
item['publish_date'] = re.findall("发布时间:(20\d{2}-\d{2}-\d{2})",response.body.decode())[0]
print(item)