CrawlSpiders

CrawlSpiders

通过下面的命令可以快速创建 CrawlSpider模板 的代码：

scrapy genspider -t crawl tencent tencent.com

上一个案例中，我们通过正则表达式，制作了新的url作为Request请求参数，现在我们可以换个花样...

class scrapy.spiders.CrawlSpider

它是Spider的派生类，Spider类的设计原则是只爬取start_url列表中的网页，而CrawlSpider类定义了一些规则(rule)来提供跟进link的方便的机制，从爬取的网页中获取link并继续爬取的工作更适合。

源码参考

[python]  view plain  copy

1. class CrawlSpider(Spider):  
2.     rules = ()  
3.     def __init__(self, *a, **kw):  
4.         super(CrawlSpider, self).__init__(*a, **kw)  
5.         self._compile_rules()  
6.   
7.     #首先调用parse()来处理start_urls中返回的response对象  
8.     #parse()则将这些response对象传递给了_parse_response()函数处理，并设置回调函数为parse_start_url()  
9.     #设置了跟进标志位True  
10.     #parse将返回item和跟进了的Request对象      
11.     def parse(self, response):  
12.         return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)  
13.   
14.     #处理start_url中返回的response，需要重写  
15.     def parse_start_url(self, response):  
16.         return []  
17.   
18.     def process_results(self, response, results):  
19.         return results  
20.   
21.     #从response中抽取符合任一用户定义'规则'的链接，并构造成Resquest对象返回  
22.     def _requests_to_follow(self, response):  
23.         if not isinstance(response, HtmlResponse):  
24.             return  
25.         seen = set()  
26.         #抽取之内的所有链接，只要通过任意一个'规则'，即表示合法  
27.         for n, rule in enumerate(self._rules):  
28.             links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]  
29.             #使用用户指定的process_links处理每个连接  
30.             if links and rule.process_links:  
31.                 links = rule.process_links(links)  
32.             #将链接加入seen集合，为每个链接生成Request对象，并设置回调函数为_repsonse_downloaded()  
33.             for link in links:  
34.                 seen.add(link)  
35.                 #构造Request对象，并将Rule规则中定义的回调函数作为这个Request对象的回调函数  
36.                 r = Request(url=link.url, callback=self._response_downloaded)  
37.                 r.meta.update(rule=n, link_text=link.text)  
38.                 #对每个Request调用process_request()函数。该函数默认为indentify，即不做任何处理，直接返回该Request.  
39.                 yield rule.process_request(r)  
40.   
41.     #处理通过rule提取出的连接，并返回item以及request  
42.     def _response_downloaded(self, response):  
43.         rule = self._rules[response.meta['rule']]  
44.         return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)  
45.   
46.     #解析response对象，会用callback解析处理他，并返回request或Item对象  
47.     def _parse_response(self, response, callback, cb_kwargs, follow=True):  
48.         #首先判断是否设置了回调函数。（该回调函数可能是rule中的解析函数，也可能是 parse_start_url函数）  
49.         #如果设置了回调函数（parse_start_url()），那么首先用parse_start_url()处理response对象，  
50.         #然后再交给process_results处理。返回cb_res的一个列表  
51.         if callback:  
52.             #如果是parse调用的，则会解析成Request对象  
53.             #如果是rule callback，则会解析成Item  
54.             cb_res = callback(response, **cb_kwargs) or ()  
55.             cb_res = self.process_results(response, cb_res)  
56.             for requests_or_item in iterate_spider_output(cb_res):  
57.                 yield requests_or_item  
58.   
59.         #如果需要跟进，那么使用定义的Rule规则提取并返回这些Request对象  
60.         if follow and self._follow_links:  
61.             #返回每个Request对象  
62.             for request_or_item in self._requests_to_follow(response):  
63.                 yield request_or_item  
64.   
65.     def _compile_rules(self):  
66.         def get_method(method):  
67.             if callable(method):  
68.                 return method  
69.             elif isinstance(method, basestring):  
70.                 return getattr(self, method, None)  
71.   
72.         self._rules = [copy.copy(r) for r in self.rules]  
73.         for rule in self._rules:  
74.             rule.callback = get_method(rule.callback)  
75.             rule.process_links = get_method(rule.process_links)  
76.             rule.process_request = get_method(rule.process_request)  
77.   
78.     def set_crawler(self, crawler):  
79.         super(CrawlSpider, self).set_crawler(crawler)  
80.         self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)  

CrawlSpider继承于蜘蛛类，除了继承过来的属性外（名称，allow_domains），还提供了新的属性和方法：

LinkExtractors

[python]  view plain  copy

1. class scrapy.linkextractors.LinkExtractor  

链接提取器的目的很简单：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方法会根据不同的响应调用多次提取链接。

[python]  view plain  copy

1. class scrapy.linkextractors.LinkExtractor(  
2.     allow = (),  
3.     deny = (),  
4.     allow_domains = (),  
5.     deny_domains = (),  
6.     deny_extensions = None,  
7.     restrict_xpaths = (),  
8.     tags = ('a','area'),  
9.     attrs = ('href'),  
10.     canonicalize = True,  
11.     unique = True,  
12.     process_value = None  
13. )  

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：会被提取的链接的域名。

• deny_domains：一定不会被提取链接的域名。

• restrict_xpaths：使用的XPath表达式，和允许共同作用过滤链接。

规则

在规则中包含一个或多个规则对象，每个规则。对爬取网站的动作定义了特定操作如果多个规则匹配了相同的链接，则根据规则在本集合中被定义的顺序，第一个会被使用。

[python]  view plain  copy

1. class scrapy.spiders.Rule(  
2.         link_extractor,   
3.         callback = None,   
4.         cb_kwargs = None,   
5.         follow = None,   
6.         process_links = None,   
7.         process_request = None  
8. )  

• link_extractor：是一个链接提取器对象，用于定义需要提取的链接。

• callback：从link_extractor中获取到链接时，参数所指定的值作为回调函数，该回调函数接受一个响应作为其第一个参数。

  注意：当编写爬虫规则时，避免使用解析作为回调函数。由于CrawlSpider使用parse方法来实现其逻辑，如果覆盖了解析方法，爬行蜘蛛将会运行失败。

• follow：是一个布尔（boolean）值，指定了根据该规则从响应提取的链接是否需要跟进。如果callback为None，则按照默认设置为True，否则默认为False。

• process_links：指定该蜘蛛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：指定该蜘蛛中哪个的函数将被调用，该规则提取到每个请求时都会调用该函数。（用户过滤请求）

爬取规则（爬行规则）

继续用腾讯招聘为例，给出配合规则使用CrawlSpider的例子：

1. 首先运行

   [python]  view plain  copy

   1. scrapy shell "http://hr.tencent.com/position.php?&start=0#a"  
   
   
   

导入LinkExtractor，创建LinkExtractor实例对象：

[python]  view plain  copy

1. from scrapy.linkextractors import LinkExtractor  
2.   
3. page_lx = LinkExtractor(allow=('position.php?&start=\d+'))  

1. 允许：LinkExtractor对象最重要的参数之一，这是一个正则表达式，必须要匹配这个正则表达式（或正则表达式列表）的URL才会被提取，如果没有给出（或为空），会匹配所有的链接。

   deny：用法同allow，只不过与这个正则表达式匹配的URL不会被提取）。它的优先级高于allow的参数，如果没有给出（或None），将不排除任何链接。

2. 调用LinkExtractor实例的extract_links（）方法查询匹配结果：

[python]  view plain  copy

1. page_lx.extract_links(response)  

[python]  view plain  copy

1. 没有查到：  
2.   
3.  []  
4. 注意转义字符的问题，继续重新匹配：  
5.   
6.  page_lx = LinkExtractor(allow=('position\.php\?&start=\d+'))  
7.  # page_lx = LinkExtractor(allow = ('start=\d+'))  
8.   
9.  page_lx.extract_links(response)  

CrawlSpider版本

那么，scrapy shell测试完成之后，修改以下代码

[python]  view plain  copy

1. #提取匹配 'http://hr.tencent.com/position.php?&start=\d+'的链接  
2. page_lx = LinkExtractor(allow = ('start=\d+'))  
3.   
4. rules = [  
5.     #提取匹配,并使用spider的parse方法进行分析;并跟进链接(没有callback意味着follow默认为True)  
6.     Rule(page_lx, callback = 'parse', follow = True)  
7. ]  

这么写对吗？

不对！千万记住callback千万不能写parse，再次强调：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。

[python]  view plain  copy

1. #tencent.py  
2.   
3. import scrapy  
4. from scrapy.spiders import CrawlSpider, Rule  
5. from scrapy.linkextractors import LinkExtractor  
6. from mySpider.items import TencentItem  
7.   
8. class TencentSpider(CrawlSpider):  
9.     name = "tencent"  
10.     allowed_domains = ["hr.tencent.com"]  
11.     start_urls = [  
12.         "http://hr.tencent.com/position.php?&start=0#a"  
13.     ]  
14.   
15.     page_lx = LinkExtractor(allow=("start=\d+"))  
16.   
17.     rules = [  
18.         Rule(page_lx, callback = "parseContent", follow = True)  
19.     ]  
20.   
21.     def parseContent(self, response):  
22.         for each in response.xpath('//*[@class="even"]'):  
23.             name = each.xpath('./td[1]/a/text()').extract()[0]  
24.             detailLink = each.xpath('./td[1]/a/@href').extract()[0]  
25.             positionInfo = each.xpath('./td[2]/text()').extract()[0]  
26.   
27.             peopleNumber = each.xpath('./td[3]/text()').extract()[0]  
28.             workLocation = each.xpath('./td[4]/text()').extract()[0]  
29.             publishTime = each.xpath('./td[5]/text()').extract()[0]  
30.             #print name, detailLink, catalog,recruitNumber,workLocation,publishTime  
31.   
32.             item = TencentItem()  
33.             item['name']=name.encode('utf-8')  
34.             item['detailLink']=detailLink.encode('utf-8')  
35.             item['positionInfo']=positionInfo.encode('utf-8')  
36.             item['peopleNumber']=peopleNumber.encode('utf-8')  
37.             item['workLocation']=workLocation.encode('utf-8')  
38.             item['publishTime']=publishTime.encode('utf-8')  
39.   
40.             yield item  
41.   
42.     # parse() 方法不需要写       
43.     # def parse(self, response):                                                
44.     #     pass  
45. 运行： scrapy crawl tencent  

记录

Scrapy提供了log功能，可以通过logging模块使用。

可以修改配置文件settings.py，任意位置添加下面两行，效果会清爽很多。

LOG_FILE = "TencentSpider.log"
LOG_LEVEL = "INFO"

日志级别

• Scrapy提供5层日志记录级别：

• CRITICAL - 严重错误（critical）

• 错误 - 一般错误（常规错误）
• 警告 - 警告信息（警告信息）
• 信息 - 一般信息（informational messages）
• DEBUG - 调试信息（调试信息）

日志记录设置

通过在setting.py中进行以下设置可以被用来配置登录：

1. LOG_ENABLED 默认：True，启用日志
2. LOG_ENCODING 默认：'utf-8'，记录使用的编码
3. LOG_FILE 默认：无，在当前目录里创建logging输出文件的文件名
4. LOG_LEVEL 默认：'DEBUG'，日志的最低级别
5. LOG_STDOUT 默认：False如果为True，进程所有的标准输出（及错误）将被重定向到log中。例如，执行打印“hello”，其将会在Scrapy日志中显示。