第十二节段 -- 爬虫11：【Scarpy 框架05：CrawlSpider】

1. CrawlSpiders

1. 原理图

sequenceDiagram
start_urls ->>调度器: 初始化url
调度器->>下载器: request
下载器->>rules: response
rules->>数据提取: response
rules->>调度器: 新的url

2. 通过下面的命令可以快速创建 CrawlSpider 模板 的代码

scrapy genspider -t crawl 文件名 (allowed_url)

首先在说下Spider，它是所有爬虫的基类，而CrawSpiders就是Spider的派生类。对于设计原则是只爬取start_url列表中的网页，而从爬取的网页中获取link并继续爬取的工作CrawlSpider类更适合

2. Rule对象

Rule类与CrawlSpider类都位于scrapy.contrib.spiders模块中

class scrapy.contrib.spiders.Rule (  
link_extractor, callback=None,cb_kwargs=None,follow=None,process_links=None,process_request=None ) 

参数含义：

• link_extractor为LinkExtractor，用于定义需要提取的链接
• callback参数：当link_extractor获取到链接时参数所指定的值作为回调函数
  • callback参数使用注意：
    当编写爬虫规则时，请避免使用parse作为回调函数。于CrawlSpider使用parse方法来实现其逻辑，如果您覆盖了parse方法，crawlspider将会运行失败
• follow：指定了根据该规则从response提取的链接是否需要跟进。当callback为None,默认值为True
• process_links：主要用来过滤由link_extractor获取到的链接
• process_request：主要用来过滤在rule中提取到的request

3.LinkExtractors

3.1 概念

顾名思义，链接提取器

3.2 作用

response对象中获取链接，并且该链接会被接下来爬取
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

3.3 使用

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：

• 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domains。
• 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(只选到节点，不选到属性)
• restrict_css：使用css表达式，和allow共同作用过滤链接(只选到节点，不选到属性)

3.3.1 查看效果（shell中验证)

1. 首先运行：

scrapy shell http://www.fhxiaoshuo.com/read/33/33539/17829387.shtml 

2. 继续import相关模块：

from scrapy.linkextractors import LinkExtractor

3. 提取当前网页中获得的链接

link = LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[4]')

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

 link.extract_links(response)

3.3.2 查看效果 CrawlSpider版本

from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from xiaoshuo.items import XiaoshuoItem


class XiaoshuoSpiderSpider(CrawlSpider):
    name = 'xiaoshuo_spider'
    allowed_domains = ['fhxiaoshuo.com']
    start_urls = ['http://www.fhxiaoshuo.com/read/33/33539/17829387.shtml']

    rules = [
        Rule(LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[4]')), callback='parse_item'),]

    def parse_item(self, response):
        info = response.xpath("//div[@id='TXT']/text()").extract()
        it = XiaoshuoItem()
        it['info'] = info
        yield it

注意：

 rules = [
        Rule(LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[4]')), callback='parse_item'),]

• callback后面函数名用引号引起
• 函数名不能是parse
• 格式问题

4. 代码实例

获取笔趣网上的小说《武动乾坤》的每一章节的内容

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

class Bqg1Spider(CrawlSpider):
    name = 'bqg2'
    allowed_domains = ['biqutxt.com']
    start_urls = ['https://www.biqutxt.com/69_69889/22672760.html']

    rules = (
        Rule(LinkExtractor(restrict_xpaths=r'//div[@class="bottem1"]/a[4]'), callback='parse_item', follow=True),
    )

    def process_results(self, response, results):
        title = response.xpath('//h1/text()').extract_first()
        content = '\n'.join(response.xpath('//div[@id="content"]/text()').extract())
        yield {'title': title, 'content': content}

    def parse_item(self, response):
        title = response.xpath('//h1/text()').extract_first()
        content = '\n'.join(response.xpath('//div[@id="content"]/text()').extract())

        yield {'title': title, 'content': content}