scrapy之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 loaderan cnblogs.com

 

---

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

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)

 

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:

LinkExtractors

class scrapy.linkextractors.LinkExtractor

Link 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：

• 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。

rules

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)

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

• 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。

• 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。

• 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。

• 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)

爬取规则(Crawling rules)

继续用腾讯招聘为例，给出配合rule使用CrawlSpider的例子:

1. 首先运行

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

2. 导入LinkExtractor，创建LinkExtractor实例对象。：

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

   allow : 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), 它会匹配所有的链接｡

   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｡

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

   page_lx.extract_links(response)

4. 没有查到：

    []

5. 注意转义字符的问题，继续重新匹配：

   page_lx = LinkExtractor(allow=('position\.php\?&start=\d ')) # page_lx = LinkExtractor(allow = ('start=\d ')) page_lx.extract_links(response)

CrawlSpider 版本

那么，scrapy shell测试完成之后，修改以下代码

#提取匹配 'http://hr.tencent.com/position.php?&start=\d '的链接page_lx = LinkExtractor(allow = ('start=\d '))rules = [    #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)    Rule(page_lx, callback = 'parse', follow = True)]

注意：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。

示例：

import scrapyfrom scrapy.spiders import CrawlSpider, Rulefrom scrapy.linkextractors import LinkExtractorfrom mySpider.items import TencentItemclass TencentSpider(CrawlSpider):    name = "tencent"    allowed_domains = ["hr.tencent.com"]    start_urls = [        "http://hr.tencent.com/position.php?&start=0#a"    ]    page_lx = LinkExtractor(allow=("start=\d "))    rules = [        Rule(page_lx, callback = "parseContent", follow = True)    ]    def parseContent(self, response):        for each in response.xpath('//*[@class="even"]'):            name = each.xpath('./td[1]/a/text()').extract()[0]            detailLink = each.xpath('./td[1]/a/@href').extract()[0]            positionInfo = each.xpath('./td[2]/text()').extract()[0]            peopleNumber = each.xpath('./td[3]/text()').extract()[0]            workLocation = each.xpath('./td[4]/text()').extract()[0]            publishTime = each.xpath('./td[5]/text()').extract()[0]            #print name, detailLink, catalog,recruitNumber,workLocation,publishTime            item = TencentItem()            item['name']=name.encode('utf-8')            item['detailLink']=detailLink.encode('utf-8')            item['positionInfo']=positionInfo.encode('utf-8')            item['peopleNumber']=peopleNumber.encode('utf-8')            item['workLocation']=workLocation.encode('utf-8')            item['publishTime']=publishTime.encode('utf-8')            yield item    # parse() 方法不需要写         # def parse(self, response):                                                  #     pass

Logging

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"

Log levels

• Scrapy提供5层logging级别:

• CRITICAL - 严重错误(critical)

• ERROR - 一般错误(regular errors)
• WARNING - 警告信息(warning messages)
• INFO - 一般信息(informational messages)
• DEBUG - 调试信息(debugging messages)

logging设置

通过在setting.py中进行以下设置可以被用来配置logging:

    LOG_ENABLED 默认: True，启用logging    LOG_ENCODING 默认: 'utf-8'，logging使用的编码    LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名    LOG_LEVEL 默认: 'DEBUG'，log的最低级别    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。

 

来源：https://www.icode9.com/content-4-589301.html