Scrapy--3 Scrapy CrawlSpider说明

Scrapy CrawlSpider说明

------------------------------------问题----------------------------------------------

  • 之前的代码中,我们有很⼤⼀部分时间在寻找下⼀⻚的URL地址或者内容的 URL地址上⾯,这个过程能更简单⼀些吗?

  • 思路

  • 1.从response中提取所有的标签对应的URL地址
  • 2.⾃动的构造⾃⼰resquests请求,发送给引擎
  • ⽬标
  • 通过爬⾍了解crawlspider的使⽤
  • ⽣成crawlspider的命令:
  • scrapy genspider -t crawl 爬⾍名字 域名
  • 在终端内生成Scrapy CrawlSpider项目

---------------------Scrapy CrawlSpider项目中函数说明------------------

  • LinkExtractors链接提取器
  • 使⽤LinkExtractors可以不⽤程序员⾃⼰提取想要的url,然后发送请求。
  • 这些 ⼯作都可以交给LinkExtractors,他会在所有爬的⻚⾯中找到满⾜规则的url, 实现⾃动的爬取。

在这里插入图片描述

参数讲解:

  • allow:允许的url。所有满⾜这个正则表达式的url都会被提取。

  • deny:禁⽌的url。所有满⾜这个正则表达式的url都不会被提取。

  • allow_domains:允许的域名。只有在这个⾥⾯指定的域名的url才会被提 取。

  • deny_domains:禁⽌的域名。所有在这个⾥⾯指定的域名的url都不会被提 取。

  • restrict_xpaths:严格的xpath。和allow共同过滤链接。
  • Rule规则类
    定义爬虫规则类

这里是引用

主要参数讲解:

  • link_extractor:⼀个LinkExtractor对象,⽤于定义爬取规则。

  • callback:满⾜这个规则的url,应该要执⾏哪个回调函数。因为 CrawlSpider使⽤了parse作为回调函数,因此不要覆盖parse作为回调函数 ⾃⼰的回调函数。

  • follow:指定根据该规则从response中提取的链接是否需要跟进。

  • process_links:从link_extractor中获取到链接后会传递给这个函数,⽤来 过滤不需要爬取的链接。
  • 实例

这里是引用
在这里插入图片描述

——————————案例——代码————————————

需求:

  • 1.爬取古诗文网站
  • 2.可以进行翻页
  • 3.提取详情页中的作者,朝代,古诗文译文等等。
  • 第一步 创建Scrapy项目
  • scrapy startproject gs
  • 第二步 进入创建好的项目文件夹
  • cd gs
  • 进入创建好的文件夹
  • 第三步 进行爬虫项目的创建
  • scrapy genspider -t crawl cgs gushiwen.org
    创建爬虫项目
  • 第四步 进行爬虫代码编写以及scrapy中的设置
  • ---------爬虫项目代码-----
LinkExtractor from scrapy.spiders import CrawlSpider, Rule


class CgsSpider(CrawlSpider):
    name = 'cgs'
    allowed_domains = ['gushiwen.org','gushiwen.cn']
    start_urls = ['http://gushiwen.org/default_1.aspx']
    #Rule是一个类,定义提取url的规则
    #LinkExtractor 链接提取器
    # allow=r'Items/'存放url(正则 重点) callback 回调函数 follow=True 继续跟进(跟进下一页)
    rules = (
        #列表页1---> #列表页改为cn数据就会源源不断
        Rule(LinkExtractor(allow=r'https://www.gushiwen.cn/default_\d+.aspx'),follow=True),
        #详情页
        Rule(LinkExtractor(allow=r'https://so.gushiwen.cn/shiwenv_\w+.aspx'),
callback='parse_item')
    )

    def parse_item(self, response):
        item = {}
        #item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()
        #item['name'] = response.xpath('//div[@id="name"]').get()
        #item['description'] = response.xpath('//div[@id="description"]').get()
        content = response.xpath('//div[@class="contyishang"]/p/text()').extract()
        detail = ''.join(content).strip()
        item['detail_content'] = detail
        print(item)
        return item

  • ---------Scrapy CrawlSpider设置代码------
# Scrapy settings for gs project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'gs'

SPIDER_MODULES = ['gs.spiders'] NEWSPIDER_MODULE = 'gs.spiders'

LOG_LEVEL='WARNING'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'gs (+http://www.yourdomain.com)'

# Obey robots.txt rules ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers: DEFAULT_REQUEST_HEADERS = {   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)
AppleWebKit/537.36 (KHTML, like Gecko)      Chrome/86.0.4240.111
Safari/537.36",   'Accept':
'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',  
'Accept-Language': 'en', }

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'gs.middlewares.GsSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'gs.middlewares.GsDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'gs.pipelines.GsPipeline': 300,
#}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

  • ---------Scrapy CrawlSpider项目启动代码------
cmdline.execute(['scrapy','crawl','cgs'])

  • 总结:
        #列表页1---> #列表页改为cn数据就会源源不断
        Rule(LinkExtractor(allow=r'https://www.gushiwen.cn/default_\d+.aspx'),follow=True),
        #详情页
        Rule(LinkExtractor(allow=r'https://so.gushiwen.cn/shiwenv_\w+.aspx'),
callback='parse_item')
    ) ```
  • allow关键字参数中传递url的正则表达式。爬虫通过爬取相同的url进行爬取
  • follow=True 继续跟进,进行翻页,爬虫跟进到底。一般用在列表页的提取
  • callback是一个回调函数,在回调函数内进行内容提取
  • 两个Rule分别执行提取页面列表,提取内容的工作。
评论 2
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