crawlspider类的写法
1. CrawlSpiders
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
```
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)
3.3.1 查看效果(shell中验证)
首先运行
scrapy shell http://www.fhxiaoshuo.com/read/33/33539/17829387.shtml
继续import相关模块:
from scrapy.linkextractors import LinkExtractor
提取当前网页中获得的链接
link = LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[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
- callback后面函数名用引号引起
- 函数名不能是parse
- 格式问题
使用crawlspider类爬取八一中文网小说
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
#CrawlSpider是继承spider的类,添加了一项rules规则,其他和spider一样
class Zzw2Spider(CrawlSpider):
name = 'zzw2'
allowed_domains = ['81zw.com']
start_urls = ['https://www.81zw.com/book/13205/']
rules = (
#xpath自动解析a标签后面的参数内容,如果添加会显示str没有iter属性
Rule(LinkExtractor(restrict_xpaths='//div[@id="list"]/dl/dd[2]/a'), callback='parse_item', follow=True),
Rule(LinkExtractor(restrict_xpaths='//div[@class="bottem1"]/a'), callback='parse_item', follow=True),
)
def parse_item(self, response):
title = response.xpath('//h1/text()').extract_first()
content = ''.join(response.xpath('//div[@id="content"]/text()').extract()).replace(' ', '\n')
yield {
'title': title,
'content': content
}
pipelines提取保存数据
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
class XiaoshuoPipeline:
def open_spider(self,spider):
self.filename=open('lwcs.txt','w',encoding='utf-8')
def process_item(self, item, spider):
title=item['title']
content=item['content']
#TypeError: can only concatenate list (not "str") to list错误原因是xpath解析的格式不统一
#info = title + '\n' + content + '\n'
info = title + '\n'
self.filename.write(info)
#如果文件里没有内容,是因为字节流的原因,每次填充几十条不会显示,刷新一下
self.filename.flush()
return item
def close_spider(self,spider):
self.filename.close()