Scrapy框架CrawlSpiders的介紹以及使用詳解
在Scrapy基礎——Spider中，我簡要地說了一下Spider類。Spider基本上能做很多事情了，但是如果你想爬取知乎或者是簡書全站的話，你可能需要一個更強大的武器。CrawlSpider基于Spider，但是可以說是為全站爬取而生。
CrawlSpiders是Spider的派生類，Spider類的設計原則是只爬取start_url列表中的網(wǎng)頁，而CrawlSpider類定義了一些規(guī)則(rule)來提供跟進link的方便的機制，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，并設置回調函數(shù)為parse_start_url()
# 設置了跟進標志位True
# parse將返回item和跟進了的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，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()
# 抽取之內的所有鏈接，只要通過任意一個'規(guī)則'，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處理每個連接
if links and rule.process_links:
links = rule.process_links(links)
# 將鏈接加入seen集合，為每個鏈接生成Request對象，并設置回調函數(shù)為_repsonse_downloaded()
for link in links:
seen.add(link)
# 構造Request對象，并將Rule規(guī)則中定義的回調函數(shù)作為這個Request對象的回調函數(shù)
r = Request(url=link.url, callback=self._response_downloaded)
r.meta.update(rule=n, link_text=link.text)
# 對每個Request調用process_request()函數(shù)。該函數(shù)默認為indentify，即不做任何處理，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，會用callback解析處理他，并返回request或Item對象
def _parse_response(self, response, callback, cb_kwargs, follow=True):
# 首先判斷是否設置了回調函數(shù)。（該回調函數(shù)可能是rule中的解析函數(shù)，也可能是 parse_start_url函數(shù)）
# 如果設置了回調函數(shù)（parse_start_url()），那么首先用parse_start_url()處理response對象，
# 然后再交給process_results處理。返回cb_res的一個列表
if callback:
#如果是parse調用的，則會解析成Request對象
#如果是rule callback，則會解析成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，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、 CrawlSpider爬蟲文件字段的介紹
1、 CrawlSpider繼承于Spider類，除了繼承過來的屬性外（name、allow_domains），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LinkExtractor有唯一的公共方法是 extract_links()，它接收一個 Response 對象，并返回一個 scrapy.link.Link 對象。
Link Extractors要實例化一次，并且 extract_links 方法會根據(jù)不同的 response 調用多次提取鏈接｡
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“正則表達式”的值會被提取，如果為空，則全部匹配。
② deny：與這個正則表達式(或正則表達式列表)不匹配的URL一定不提取。
③ allow_domains：會被提取的鏈接的domains。
④ deny_domains：一定不會被提取鏈接的domains。
⑤ restrict_xpaths：使用xpath表達式，和allow共同作用過濾鏈接。
2、 在rules中包含一個或多個Rule對象，每個Rule對爬取網(wǎng)站的動作定義了特定操作。如果多個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，第一個會被使用。
class scrapy.spiders.Rule(
link_extractor,
callback = None,
cb_kwargs = None,
follow = None,
process_links = None,
process_request = None
)
① link_extractor：是一個Link Extractor對象，用于定義需要提取的鏈接。
② callback： 從link_extractor中每獲取到鏈接時，參數(shù)所指定的值作為回調函數(shù)，該回調函數(shù)接受一個response作為其第一個參數(shù)。
注意：當編寫爬蟲規(guī)則時，避免使用parse作為回調函數(shù)。由于CrawlSpider使用parse方法來實現(xiàn)其邏輯，如果覆蓋了 parse方法，crawl spider將會運行失敗。
③ follow：是一個布爾(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。 如果callback為None，follow 默認設置為True ，否則默認為False。
④ process_links：指定該spider中哪個的函數(shù)將會被調用，從link_extractor中獲取到鏈接列表時將會調用該函數(shù)。該方法主要用來過濾。
⑤ process_request：指定該spider中哪個的函數(shù)將會被調用， 該規(guī)則提取到每個request時都會調用該函數(shù)。 (用來過濾request)
3、Scrapy提供了log功能，可以通過 logging 模塊使用?？梢孕薷呐渲梦募ettings.py，任意位置添加下面兩行，效果會清爽很多。
LOG_FILE = "TencentSpider.log" LOG_LEVEL = "INFO"
Scrapy提供5層logging級別:
① CRITICAL - 嚴重錯誤(critical)
② ERROR - 一般錯誤(regular errors)
③ WARNING - 警告信息(warning messages)
④ INFO - 一般信息(informational messages)
⑤ DEBUG - 調試信息(debugging messages)
通過在setting.py中進行以下設置可以被用來配置logging:
① LOG_ENABLED 默認: True，啟用logging
② LOG_ENCODING 默認: 'utf-8'，logging使用的編碼
③ LOG_FILE 默認: None，在當前目錄里創(chuàng)建logging輸出文件的文件名
④ LOG_LEVEL 默認: 'DEBUG'，log的最低級別
⑤ LOG_STDOUT 默認: False 如果為 True，進程所有的標準輸出(及錯誤)將會被重定向到log中。例如，執(zhí)行 print "hello" ，其將會在Scrapy log中顯示。
三、 CrawlSpider爬蟲案例分析
1、創(chuàng)建項目：scrapy startproject CrawlYouYuan
2、創(chuàng)建爬蟲文件：scrapy genspider -t crawl youyuan youyuan.com
3、項目文件分析
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() # 內心獨白 content = scrapy.Field() # 籍貫 place_from = scrapy.Field() # 學歷 education = scrapy.Field() # 興趣愛好 hobby = scrapy.Field() # 個人主頁 source_url = scrapy.Field() # 數(shù)據(jù)來源網(wǎng)站 sourec = scrapy.Field() # utc 時間 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/']
# 自動生成的文件不需要改東西，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+/"))
# 每個人個人主頁匹配規(guī)則
profile_links = LinkExtractor(allow=(r"youyuan.com/\d+-profile/"))
rules = (
# 沒有回調函數(shù)，說明follow是True
Rule(page_links),
# 有回調函數(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)
# 內心獨白
item['content'] = self.get_content(response)
# 籍貫
item['place_from'] = self.get_place_from(response)
# 學歷
item['education'] = self.get_education(response)
# 興趣愛好
item['hobby'] = self.get_hobby(response)
# 個人主頁
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())
在運行程序之前需要使Scrapy版本和Twisted版本相吻合，設置如下
這次分享詳細介紹了使用Scrapy框架爬蟲的具體步驟，并同時編寫爬蟲案例進行分析，很好的詮釋了Scrapy框架爬取數(shù)據(jù)的方便性和易懂性，下篇文章我會分享下Scrapy分布式爬取網(wǎng)站，讓我們一起學習，一起探討爬蟲技術。
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
相關文章
Python2.x利用commands模塊執(zhí)行Linux shell命令
這篇文章主要介紹了Python2.x利用commands模塊執(zhí)行Linux shell命令 的相關資料,需要的朋友可以參考下2016-03-03
這篇文章主要介紹了Python之串口收發(fā)的異步程序,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09
這篇文章主要介紹了python共軛梯度法特征值迭代次數(shù)討論，想了解共軛梯度法的同學，需要著重看一下2021-04-04
glob模塊遵循Unix的shell規(guī)則來匹配文件名進行文件查找,下面我們結合匹配相關的字符區(qū)間與通配符知識,來簡單掌握Python中glob模塊查找文件路徑的用法2016-07-07
python實現(xiàn)TCPclient是一件簡單的事情，只要通過socket這個模塊就可以實現(xiàn)，本文主要介紹了python實現(xiàn)TCPclient的使用示例，具有一定的參考價值，感興趣的可以了解一下2023-10-10
這篇文章主要介紹了Python中字符串的intern機制，幫助大家更好的理解和學習python，感興趣的朋友可以了解下2020-10-10
Python函數(shù)調用的幾種方式(類里面,類之間,類外面)
本文主要介紹了Python函數(shù)調用的幾種方式(類里面,類之間,類外面)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-07-07
利用Pytorch實現(xiàn)ResNet網(wǎng)絡構建及模型訓練
這篇文章主要為大家介紹了利用Pytorch實現(xiàn)ResNet網(wǎng)絡構建及模型訓練詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-04-04
這篇文章主要介紹了python動態(tài)加載技術解析,說簡單點就是，如果開發(fā)者發(fā)現(xiàn)自己的代碼有bug，那么他可以在不關閉原來代碼的基礎之上，動態(tài)替換模塊替換方法一般用reload來完成,需要的朋友可以參考下2023-07-07
這篇文章主要為大家介紹了Python人工智能深度學習CNN的教程詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步早日升職加薪2021-11-11