python scrapy框架 简书_Scrapy框架CrawlSpiders的介绍以及使用详解

在Scrapy基础——Spider中，我简要地说了一下Spider类。Spider基本上能做很多事情了，但是如果你想爬取知乎或者是简书全站的话，你可能需要一个更强大的武器。CrawlSpider基于Spider，但是可以说是为全站爬取而生。

CrawlSpiders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。

一、我们先来分析一下CrawlSpiders源码

源码解析

class CrawlSpider(Spider):

rules = ()

def __init__(self, *a, **kw):

super(CrawlSpider, self).__init__(*a, **kw)

self._compile_rules()

# 首先调用parse()来处理start_urls中返回的response对象

# 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()

# 设置了跟进标志位True

# parse将返回item和跟进了的Request对象

def parse(self, response):

return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)

# 处理start_url中返回的response，需要重写

def parse_start_url(self, response):

return []

def process_results(self, response, results):

return results

# 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

def _requests_to_follow(self, response):

if not isinstance(response, HtmlResponse):

return

seen = set()

# 抽取之内的所有链接，只要通过任意一个'规则'，即表示合法

for n, rule in enumerate(self._rules):

links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]

# 使用用户指定的process_links处理每个连接

if links and rule.process_links:

links = rule.process_links(links)

# 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()

for link in links:

seen.add(link)

# 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

r = Request(url=link.url, callback=self._response_downloaded)

r.meta.update(rule=n, link_text=link.text)

# 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.

yield rule.process_request(r)

# 处理通过rule提取出的连接，并返回item以及request

def _response_downloaded(self, response):

rule = self._rules[response.meta['rule']]

return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)

# 解析response对象，会用callback解析处理他，并返回request或Item对象

def _parse_response(self, response, callback, cb_kwargs, follow=True):

# 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）

# 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，

# 然后再交给process_results处理。返回cb_res的一个列表

if callback:

#如果是parse调用的，则会解析成Request对象

#如果是rule callback，则会解析成Item

cb_res = callback(response, **cb_kwargs) or ()

cb_res = self.process_results(response, cb_res)

for requests_or_item in iterate_spider_output(cb_res):

yield requests_or_item

# 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

if follow and self._follow_links:

#返回每个Request对象

for request_or_item in self._requests_to_follow(response):

yield request_or_item

def _compile_rules(self):

def get_method(method):

if callable(method):

return method

elif isinstance(method, basestring):

return getattr(self, method, None)

self._rules = [copy.copy(r) for r in self.rules]

for rule in self._rules:

rule.callback = get_method(rule.callback)

rule.process_links = get_method(rule.process_links)

rule.process_request = get_method(rule.process_request)

def set_crawler(self, crawler):

super(CrawlSpider, self).set_crawler(crawler)

self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)

二、 CrawlSpider爬虫文件字段的介绍

1、 CrawlSpider继承于Spider类，除了继承过来的属性外（name、allow_domains），还提供了新的属性和方法:class scrapy.linkextractors.LinkExtractorLink Extractors 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 response 调用多次提取链接｡

class scrapy.linkextractors.LinkExtractor(

allow = (),

deny = (),

allow_domains = (),

deny_domains = (),

deny_extensions = None,

restrict_xpaths = (),

tags = ('a','area'),

attrs = ('href'),

canonicalize = True,

unique = True,

process_value = None

)

主要参数：

① 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。

② 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。

③ allow_domains：会被提取的链接的domains。

④ deny_domains：一定不会被提取链接的domains。

⑤ restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接。

2、 在rules中包含一个或多个Rule对象，每个Rule对爬取网站的动作定义了特定操作。如果多个rule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。

class scrapy.spiders.Rule(

link_extractor,

callback = None,

cb_kwargs = None,

follow = None,

process_links = None,

process_request = None

)

① link_extractor：是一个Link Extractor对象，用于定义需要提取的链接。

② callback： 从link_extractor中每获取到链接时，参数所指定的值作为回调函数，该回调函数接受一个response作为其第一个参数。

注意：当编写爬虫规则时，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。

③ 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。

④ process_links：指定该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。

⑤ process_request：指定该spider中哪个的函数将会被调用， 该规则提取到每个request时都会调用该函数。 (用来过滤request)

3、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"

Scrapy提供5层logging级别:

① CRITICAL - 严重错误(critical)

② ERROR - 一般错误(regular errors)

③ WARNING - 警告信息(warning messages)

④ INFO - 一般信息(informational messages)

⑤ DEBUG - 调试信息(debugging messages)

通过在setting.py中进行以下设置可以被用来配置logging:

① LOG_ENABLED 默认: True，启用logging

② LOG_ENCODING 默认: 'utf-8'，logging使用的编码

③ LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名

④ LOG_LEVEL 默认: 'DEBUG'，log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)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示。

三、 CrawlSpider爬虫案例分析

1、创建项目：scrapy startproject CrawlYouYuan

2、创建爬虫文件：scrapy genspider -t crawl youyuan youyuan.com

3、项目文件分析

items.py

模型类

import scrapy

class CrawlyouyuanItem(scrapy.Item):

# 用户名

username = scrapy.Field()

# 年龄

age = scrapy.Field()

# 头像图片的链接

header_url = scrapy.Field()

# 相册图片的链接

images_url = scrapy.Field()

# 内心独白

content = scrapy.Field()

# 籍贯

place_from = scrapy.Field()

# 学历

education = scrapy.Field()

# 兴趣爱好

hobby = scrapy.Field()

# 个人主页

source_url = scrapy.Field()

# 数据来源网站

sourec = scrapy.Field()

# utc 时间

time = scrapy.Field()

# 爬虫名

spidername = scrapy.Field()

youyuan.py

爬虫文件

# -*- coding: utf-8 -*-

import scrapy

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

from CrawlYouYuan.items import CrawlyouyuanItem

import re

class YouyuanSpider(CrawlSpider):

name = 'youyuan'

allowed_domains = ['youyuan.com']

start_urls = ['http://www.youyuan.com/find/beijing/mm18-25/advance-0-0-0-0-0-0-0/p1/']

# 自动生成的文件不需要改东西，只需要添加rules文件里面Rule角色就可以

# 每一页匹配规则

page_links = LinkExtractor(allow=(r"youyuan.com/find/beijing/mm18-25/advance-0-0-0-0-0-0-0/p\d+/"))

# 每个人个人主页匹配规则

profile_links = LinkExtractor(allow=(r"youyuan.com/\d+-profile/"))

rules = (

# 没有回调函数，说明follow是True

Rule(page_links),

# 有回调函数，说明follow是False

Rule(profile_links, callback='parse_item', follow=True),

)

def parse_item(self, response):

item = CrawlyouyuanItem()

item['username'] = self.get_username(response)

# 年龄

item['age'] = self.get_age(response)

# 头像图片的链接

item['header_url'] = self.get_header_url(response)

# 相册图片的链接

item['images_url'] = self.get_images_url(response)

# 内心独白

item['content'] = self.get_content(response)

# 籍贯

item['place_from'] = self.get_place_from(response)

# 学历

item['education'] = self.get_education(response)

# 兴趣爱好

item['hobby'] = self.get_hobby(response)

# 个人主页

item['source_url'] = response.url

# 数据来源网站

item['sourec'] = "youyuan"

yield item

def get_username(self, response):

username = response.xpath("//dl[@class='personal_cen']//div[@class='main']/strong/text()").extract()

if len(username):

username = username[0]

else:

username = "NULL"

return username.strip()

def get_age(self, response):

age = response.xpath("//dl[@class='personal_cen']//dd/p/text()").extract()

if len(age):

age = re.findall(u"\d+岁", age[0])[0]

else:

age = "NULL"

return age.strip()

def get_header_url(self, response):

header_url = response.xpath("//dl[@class='personal_cen']/dt/img/@src").extract()

if len(header_url):

header_url = header_url[0]

else:

header_url = "NULL"

return header_url.strip()

def get_images_url(self, response):

images_url = response.xpath("//div[@class='ph_show']/ul/li/a/img/@src").extract()

if len(images_url):

images_url = ", ".join(images_url)

else:

images_url = "NULL"

return images_url

def get_content(self, response):

content = response.xpath("//div[@class='pre_data']/ul/li/p/text()").extract()

if len(content):

content = content[0]

else:

content = "NULL"

return content.strip()

def get_place_from(self, response):

place_from = response.xpath("//div[@class='pre_data']/ul/li[2]//ol[1]/li[1]/span/text()").extract()

if len(place_from):

place_from = place_from[0]

else:

place_from = "NULL"

return place_from.strip()

def get_education(self, response):

education = response.xpath("//div[@class='pre_data']/ul/li[3]//ol[2]/li[2]/span/text()").extract()

if len(education):

education = education[0]

else:

education = "NULL"

return education.strip()

def get_hobby(self, response):

hobby = response.xpath("//dl[@class='personal_cen']//ol/li/text()").extract()

if len(hobby):

hobby = ",".join(hobby).replace(" ", "")

else:

hobby = "NULL"

return hobby.strip()

pipelines.py

管道文件

import json

import codecs

class CrawlyouyuanPipeline(object):

def __init__(self):

self.filename = codecs.open('content.json', 'w', encoding='utf-8')

def process_item(self, item, spider):

html = json.dumps(dict(item), ensure_ascii=False)

self.filename.write(html + '\n')

return item

def spider_closed(self, spider):

self.filename.close()

settings.py

BOT_NAME = 'CrawlYouYuan'

SPIDER_MODULES = ['CrawlYouYuan.spiders']

NEWSPIDER_MODULE = 'CrawlYouYuan.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent

USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:56.0)'

# Obey robots.txt rules

ROBOTSTXT_OBEY = True

ITEM_PIPELINES = {

'CrawlYouYuan.pipelines.CrawlyouyuanPipeline': 300,

}

begin.py

from scrapy import cmdline

cmdline.execute('scrapy crawl youyuan'.split())

在运行程序之前需要使Scrapy版本和Twisted版本相吻合，设置如下

这次分享详细介绍了使用Scrapy框架爬虫的具体步骤，并同时编写爬虫案例进行分析，很好的诠释了Scrapy框架爬取数据的方便性和易懂性，下篇文章我会分享下Scrapy分布式爬取网站，让我们一起学习，一起探讨爬虫技术。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。