爬虫利器Scrapy之Crawl Spider 模板的使用

最新推荐文章于 2024-07-13 15:35:54 发布

EchoPython

最新推荐文章于 2024-07-13 15:35:54 发布

阅读量1k

点赞数

分类专栏： Python进阶之路 Python Python爬虫

本文链接：https://blog.csdn.net/qq_42992919/article/details/96430597

版权

Python 同时被 3 个专栏收录

322 篇文章 6 订阅

订阅专栏

Python进阶之路

242 篇文章 11 订阅

订阅专栏

Python爬虫

216 篇文章 2 订阅

订阅专栏

1.Spider模板

scrapy默认创建的spider模板就是basic模板，创建spider文件的命令是：scrapy genspider dribbble dribbble.com，查看spider*模板的命令是：scrapy genspider --list；
在项目中明确指明使用crawl生成模板生成spider的命令是：scrapy genspider -t crawl csdn www.csdn.net ；

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class CsdnSpider(CrawlSpider):
    name = 'csdn'
    allowed_domains = ['www.csdn.net']
    start_urls = ['https://www.csdn.net/']
    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )
    def parse_item(self, response):
        return item
        
如果你依然在编程的世界里迷茫，
不知道自己的未来规划，
对python感兴趣，
这里推荐一下我的学习交流圈QQ群：895 797 751，
里面都是学习python的，

2.CrawlSpider类介绍

CrawlSpider是Spider的派生类，目的是对全站信息爬取更加简单，爬取那些具有一定规则网站的常用的爬虫，它基于Spider并有一些独特属性；

3.rules规则列表

语法：Rule(link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None, process_request=None)，rules是Rule对象的集合，用于匹配目标网站并排除干扰；
link_extractor：是一个LinkExtractor对象，其定义了如何从爬取到的页面提取链接；
callback：从link_extractor中每获取到链接得到Responses时，会调用参数所指定的值作为回调函数，该回调函数接收一个* response作为其一个参数；
cb_kwargs：用于作为**kwargs参数，传递给callback；
follow：是一个布尔值，指爬取了之后，是否还继续从该页面提取链接，然后继续爬下去, 默认是False；
process_links：指定spider中哪个的函数将会被调用，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：指定处理函数，根据该Rule提取到的每个Request时，该函数将会被调用，可以对Request进行处理，该函数必须返回Request或者None；

4.LinkExtractors

LinkExtractors 的目的是提取链接，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；

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：会被提取的连接的；
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；

5.爬取CSDN的文章, 且提取URL和文章标题

from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

class DoubanSpider(CrawlSpider):
    name = 'csdn'
    allowed_domains = ['blog.csdn.net']
    start_urls = ['https://blog.csdn.net']
    # 指定链接提取的规律
    rules = (
        # follow:是指爬取了之后，是否还继续从该页面提取链接，然后继续爬下去
        Rule(LinkExtractor(allow=r'.*/article/.*'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        print('-'*100)
        print(response.url)
        title = response.css('h1::text').extract()[0]
        print(title)
        print('-' * 100)
        return None