Scrapy框架CrawlSpiders的介紹以及使用

CrawlSpiders是Spider的派生類蝇闭,Spider類的設(shè)計(jì)原則是只爬取start_url列表中的網(wǎng)頁蜘拉,而CrawlSpider類定義了一些規(guī)則(rule)來提供跟進(jìn)link的方便的機(jī)制爆惧,從爬取的網(wǎng)頁中獲取link并繼續(xù)爬取的工作更適合。
一、我們先來分析一下CrawlSpiders源碼

源碼解析

class CrawlSpider(Spider):
    rules = ()
    def __init__(self, *a, **kw):
        super(CrawlSpider, self).__init__(*a, **kw)
        self._compile_rules()

    # 首先調(diào)用parse()來處理start_urls中返回的response對象
    # parse()則將這些response對象傳遞給了_parse_response()函數(shù)處理,并設(shè)置回調(diào)函數(shù)為parse_start_url()
    # 設(shè)置了跟進(jìn)標(biāo)志位True
    # parse將返回item和跟進(jìn)了的Request對象    
    def parse(self, response):
        return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)

    # 處理start_url中返回的response至非,需要重寫
    def parse_start_url(self, response):
        return []

    def process_results(self, response, results):
        return results

    # 從response中抽取符合任一用戶定義'規(guī)則'的鏈接,并構(gòu)造成Resquest對象返回
    def _requests_to_follow(self, response):
        if not isinstance(response, HtmlResponse):
            return
        seen = set()
        # 抽取之內(nèi)的所有鏈接糠聪,只要通過任意一個(gè)'規(guī)則'荒椭,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]
            # 使用用戶指定的process_links處理每個(gè)連接
            if links and rule.process_links:
                links = rule.process_links(links)
            # 將鏈接加入seen集合,為每個(gè)鏈接生成Request對象舰蟆,并設(shè)置回調(diào)函數(shù)為_repsonse_downloaded()
            for link in links:
                seen.add(link)
                # 構(gòu)造Request對象趣惠,并將Rule規(guī)則中定義的回調(diào)函數(shù)作為這個(gè)Request對象的回調(diào)函數(shù)
                r = Request(url=link.url, callback=self._response_downloaded)
                r.meta.update(rule=n, link_text=link.text)
                # 對每個(gè)Request調(diào)用process_request()函數(shù)。該函數(shù)默認(rèn)為indentify身害,即不做任何處理味悄,直接返回該Request.
                yield rule.process_request(r)

    # 處理通過rule提取出的連接,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對象塌鸯,會(huì)用callback解析處理他侍瑟,并返回request或Item對象
    def _parse_response(self, response, callback, cb_kwargs, follow=True):
        # 首先判斷是否設(shè)置了回調(diào)函數(shù)。(該回調(diào)函數(shù)可能是rule中的解析函數(shù),也可能是 parse_start_url函數(shù))
        # 如果設(shè)置了回調(diào)函數(shù)(parse_start_url())涨颜,那么首先用parse_start_url()處理response對象费韭,
        # 然后再交給process_results處理。返回cb_res的一個(gè)列表
        if callback:
            #如果是parse調(diào)用的庭瑰,則會(huì)解析成Request對象
            #如果是rule callback星持,則會(huì)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

        # 如果需要跟進(jìn),那么使用定義的Rule規(guī)則提取并返回這些Request對象
        if follow and self._follow_links:
            #返回每個(gè)Request對象
            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)

二弹灭、 CrawlSpider爬蟲文件字段的介紹
1督暂、 CrawlSpider繼承于Spider類,除了繼承過來的屬性外(name穷吮、allow_domains)逻翁,還提供了新的屬性和方法:class scrapy.linkextractors.LinkExtractorLink Extractors 的目的很簡單: 提取鏈接?每個(gè)LinkExtractor有唯一的公共方法是 extract_links(),它接收一個(gè) Response 對象酒来,并返回一個(gè) scrapy.link.Link 對象卢未。
Link Extractors要實(shí)例化一次,并且 extract_links 方法會(huì)根據(jù)不同的 response 調(diào)用多次提取鏈接?

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
)

主要參數(shù):

① allow:滿足括號中“正則表達(dá)式”的值會(huì)被提取堰汉,如果為空辽社,則全部匹配。
② deny:與這個(gè)正則表達(dá)式(或正則表達(dá)式列表)不匹配的URL一定不提取翘鸭。
③ allow_domains:會(huì)被提取的鏈接的domains滴铅。
④ deny_domains:一定不會(huì)被提取鏈接的domains。
⑤ restrict_xpaths:使用xpath表達(dá)式就乓,和allow共同作用過濾鏈接汉匙。

2、 在rules中包含一個(gè)或多個(gè)Rule對象生蚁,每個(gè)Rule對爬取網(wǎng)站的動(dòng)作定義了特定操作噩翠。如果多個(gè)rule匹配了相同的鏈接,則根據(jù)規(guī)則在本集合中被定義的順序邦投,第一個(gè)會(huì)被使用伤锚。

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

① link_extractor:是一個(gè)Link Extractor對象,用于定義需要提取的鏈接志衣。
② callback: 從link_extractor中每獲取到鏈接時(shí)屯援,參數(shù)所指定的值作為回調(diào)函數(shù),該回調(diào)函數(shù)接受一個(gè)response作為其第一個(gè)參數(shù)念脯。
注意:當(dāng)編寫爬蟲規(guī)則時(shí)狞洋,避免使用parse作為回調(diào)函數(shù)。由于CrawlSpider使用parse方法來實(shí)現(xiàn)其邏輯绿店,如果覆蓋了 parse方法吉懊,crawl spider將會(huì)運(yùn)行失敗。
③ follow:是一個(gè)布爾(boolean)值,指定了根據(jù)該規(guī)則從response提取的鏈接是否需要跟進(jìn)借嗽。 如果callback為None怕午,follow 默認(rèn)設(shè)置為True ,否則默認(rèn)為False淹魄。
④ process_links:指定該spider中哪個(gè)的函數(shù)將會(huì)被調(diào)用,從link_extractor中獲取到鏈接列表時(shí)將會(huì)調(diào)用該函數(shù)堡距。該方法主要用來過濾甲锡。
⑤ process_request:指定該spider中哪個(gè)的函數(shù)將會(huì)被調(diào)用, 該規(guī)則提取到每個(gè)request時(shí)都會(huì)調(diào)用該函數(shù)羽戒。 (用來過濾request)

3缤沦、Scrapy提供了log功能,可以通過 logging 模塊使用易稠「追希可以修改配置文件settings.py,任意位置添加下面兩行驶社,效果會(huì)清爽很多企量。

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

Scrapy提供5層logging級別:
① CRITICAL - 嚴(yán)重錯(cuò)誤(critical)
② ERROR - 一般錯(cuò)誤(regular errors)
③ WARNING - 警告信息(warning messages)
④ INFO - 一般信息(informational messages)
⑤ DEBUG - 調(diào)試信息(debugging messages)

通過在setting.py中進(jìn)行以下設(shè)置可以被用來配置logging:

① LOG_ENABLED 默認(rèn): True,啟用logging
② LOG_ENCODING 默認(rèn): 'utf-8'亡电,logging使用的編碼
③ LOG_FILE 默認(rèn): None届巩,在當(dāng)前目錄里創(chuàng)建logging輸出文件的文件名
④ LOG_LEVEL 默認(rèn): 'DEBUG',log的最低級別
⑤ LOG_STDOUT 默認(rèn): False 如果為 True份乒,進(jìn)程所有的標(biāo)準(zhǔn)輸出(及錯(cuò)誤)將會(huì)被重定向到log中恕汇。例如,執(zhí)行 print "hello" 或辖,其將會(huì)在Scrapy log中顯示瘾英。

三、 CrawlSpider爬蟲案例分析

1颂暇、創(chuàng)建項(xiàng)目:scrapy startproject CrawlYouYuan

2缺谴、創(chuàng)建爬蟲文件:scrapy genspider -t crawl youyuan youyuan.com

3、項(xiàng)目文件分析
items.py

模型類
import scrapy
class CrawlyouyuanItem(scrapy.Item):
    # 用戶名
    username = scrapy.Field()
    # 年齡
    age = scrapy.Field()
    # 頭像圖片的鏈接
    header_url = scrapy.Field()
    # 相冊圖片的鏈接
    images_url = scrapy.Field()
    # 內(nèi)心獨(dú)白
    content = scrapy.Field()
    # 籍貫
    place_from = scrapy.Field()
    # 學(xué)歷
    education = scrapy.Field()
    # 興趣愛好
    hobby = scrapy.Field()
    # 個(gè)人主頁
    source_url = scrapy.Field()
    # 數(shù)據(jù)來源網(wǎng)站
    sourec = scrapy.Field()
    # utc 時(shí)間
    time = scrapy.Field()
    # 爬蟲名
    spidername = scrapy.Field()

youyuan.py

爬蟲文件
# -*- 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/']
    # 自動(dòng)生成的文件不需要改東西蟀架,只需要添加rules文件里面Rule角色就可以
    # 每一頁匹配規(guī)則
    page_links = LinkExtractor(allow=(r"youyuan.com/find/beijing/mm18-25/advance-0-0-0-0-0-0-0/p\d+/"))
    # 每個(gè)人個(gè)人主頁匹配規(guī)則
    profile_links = LinkExtractor(allow=(r"youyuan.com/\d+-profile/"))
    rules = (
        # 沒有回調(diào)函數(shù)瓣赂,說明follow是True
        Rule(page_links),
        # 有回調(diào)函數(shù),說明follow是False
        Rule(profile_links, callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        item = CrawlyouyuanItem()

        item['username'] = self.get_username(response)
        # 年齡
        item['age'] = self.get_age(response)
        # 頭像圖片的鏈接
        item['header_url'] = self.get_header_url(response)
        # 相冊圖片的鏈接
        item['images_url'] = self.get_images_url(response)
        # 內(nèi)心獨(dú)白
        item['content'] = self.get_content(response)
        # 籍貫
        item['place_from'] = self.get_place_from(response)
        # 學(xué)歷
        item['education'] = self.get_education(response)
        # 興趣愛好
        item['hobby'] = self.get_hobby(response)
        # 個(gè)人主頁
        item['source_url'] = response.url
        # 數(shù)據(jù)來源網(wǎng)站
        item['sourec'] = "youyuan"

        yield item

    def get_username(self, response):
        username = response.xpath("http://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("http://dl[@class='personal_cen']//dd/p/text()").extract()
        if len(age):
            age = re.findall(u"\d+歲", age[0])[0]
        else:
            age = "NULL"
        return age.strip()

    def get_header_url(self, response):
        header_url = response.xpath("http://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("http://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("http://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("http://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("http://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("http://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())

在運(yùn)行程序之前需要使Scrapy版本和Twisted版本相吻合片拍,設(shè)置如下

scr?apy.png

這次分享的文章和上一篇
Scrapy 框架基本了解以及Spiders爬蟲文章來說煌集,詳細(xì)介紹了使用Scrapy框架爬蟲的具體步驟,并同時(shí)編寫爬蟲案例進(jìn)行分析捌省,很好的詮釋了Scrapy框架爬取數(shù)據(jù)的方便性和易懂性苫纤,下篇文章我會(huì)分享下Scrapy分布式爬取網(wǎng)站,讓我們一起學(xué)習(xí),一起探討爬蟲技術(shù)卷拘。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末喊废,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子栗弟,更是在濱河造成了極大的恐慌污筷,老刑警劉巖,帶你破解...
    沈念sama閱讀 219,427評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異,居然都是意外死亡胖秒,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,551評論 3 395
  • 文/潘曉璐 我一進(jìn)店門惋增,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人改鲫,你說我怎么就攤上這事诈皿。” “怎么了像棘?”我有些...
    開封第一講書人閱讀 165,747評論 0 356
  • 文/不壞的土叔 我叫張陵稽亏,是天一觀的道長。 經(jīng)常有香客問我讲弄,道長措左,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,939評論 1 295
  • 正文 為了忘掉前任避除,我火速辦了婚禮怎披,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘瓶摆。我一直安慰自己凉逛,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,955評論 6 392
  • 文/花漫 我一把揭開白布群井。 她就那樣靜靜地躺著状飞,像睡著了一般。 火紅的嫁衣襯著肌膚如雪书斜。 梳的紋絲不亂的頭發(fā)上诬辈,一...
    開封第一講書人閱讀 51,737評論 1 305
  • 那天,我揣著相機(jī)與錄音荐吉,去河邊找鬼焙糟。 笑死,一個(gè)胖子當(dāng)著我的面吹牛样屠,可吹牛的內(nèi)容都是我干的穿撮。 我是一名探鬼主播缺脉,決...
    沈念sama閱讀 40,448評論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼悦穿!你這毒婦竟也來了攻礼?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,352評論 0 276
  • 序言:老撾萬榮一對情侶失蹤栗柒,失蹤者是張志新(化名)和其女友劉穎礁扮,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體瞬沦,經(jīng)...
    沈念sama閱讀 45,834評論 1 317
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡深员,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,992評論 3 338
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了蛙埂。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 40,133評論 1 351
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡遮糖,死狀恐怖绣的,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情欲账,我是刑警寧澤屡江,帶...
    沈念sama閱讀 35,815評論 5 346
  • 正文 年R本政府宣布,位于F島的核電站赛不,受9級特大地震影響惩嘉,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜踢故,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,477評論 3 331
  • 文/蒙蒙 一文黎、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧殿较,春花似錦耸峭、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,022評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至洽瞬,卻和暖如春本涕,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背伙窃。 一陣腳步聲響...
    開封第一講書人閱讀 33,147評論 1 272
  • 我被黑心中介騙來泰國打工菩颖, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人对供。 一個(gè)月前我還...
    沈念sama閱讀 48,398評論 3 373
  • 正文 我出身青樓位他,卻偏偏與公主長得像氛濒,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子鹅髓,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,077評論 2 355

推薦閱讀更多精彩內(nèi)容