最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

Python的Scrapy框架中的CrawlSpider介紹和使用

 更新時間:2023年12月06日 10:22:37   作者:凌冰_  
這篇文章主要介紹了Python的Scrapy框架中的CrawlSpider介紹和使用,CrawlSpider其實是Spider的一個子類,除了繼承到Spider的特性和功能外,還派生除了其自己獨有的更加強大的特性和功能,其中最顯著的功能就是"LinkExtractors鏈接提取器",需要的朋友可以參考下

一、介紹CrawlSpider

CrawlSpider其實是Spider的一個子類,除了繼承到Spider的特性和功能外,還派生除了其自己獨有的更加強大的特性和功能。其中最顯著的功能就是”LinkExtractors鏈接提取器“。

Spider是所有爬蟲的基類,其設(shè)計原則只是為了爬取start_url列表中網(wǎng)頁,而從爬取到的網(wǎng)頁中提取出的url進行繼續(xù)的爬取工作使用CrawlSpider更合適。

源碼:

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)置了跟進標(biāo)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(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,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(shè)置回調(diào)函數(shù)為_repsonse_downloaded()
            for link in links:
                seen.add(link)
                #構(gòu)造Request對象,并將Rule規(guī)則中定義的回調(diào)函數(shù)作為這個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Request調(diào)用process_request()函數(shù)。該函數(shù)默認(rèn)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(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()),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(diào)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)

文檔:Spiders — Scrapy 2.9.0 documentation

二、框架搭建

1.創(chuàng)建scrapy框架工程

scrapy startproject Meitou

2.進入工程目錄

cd Meitou

3.創(chuàng)建爬蟲文件

scrapy genspider -t crawl 爬蟲任務(wù)名稱 爬取的范圍域

scrapy genspider -t crawl crawl_yjin xx.com

此指令對比以前指令多了"-t crawl",表示創(chuàng)建的爬蟲文件是基于CrawlSpider這個類的,而不再是Spider這個基類。

4.啟動爬蟲文件

scrapy crawl crawl_yjin --nolog

(一)、查看生成的爬蟲文件:

Rule(規(guī)則): 規(guī)范url構(gòu)造請求對象的規(guī)則

LinkExtractor(鏈接提取器):規(guī)范url的提取范圍

CrawlSpider:是一個類模板,繼承自Spider,功能就更加的強大

(二)、查看LinkExtractor源碼:

LinkExtractor 鏈接提取器

作用:提取response中符合規(guī)則的鏈接。

主要參數(shù)含義:

  • LinkExtractor:規(guī)范url提取可用的部分
  • allow=(): 滿足括號中“正則表達(dá)式”的值會被提取,如果為空,則全部匹配。 
  • deny=(): 與這個正則表達(dá)式(或正則表達(dá)式列表)不匹配的URL一定不提取。
  • allow_domains=():允許的范圍域
  • deny_domains=(): 不允許的范圍域
  • restrict_xpaths=(): 使用xpath表達(dá)式,和allow共同作用過濾鏈接(只選到節(jié)點,不選到屬性)
  • tags=('a', 'area'): 指定標(biāo)簽
  • attrs=('href',): 指定屬性

(三)、查看Rule源碼:

Rule : 規(guī)則解析器。根據(jù)鏈接提取器中提取到的鏈接,根據(jù)指定規(guī)則提取解析器鏈接網(wǎng)頁中的內(nèi)容

Rule (LinkExtractor(allow=r"Items/"), callback="parse_item", follow=True)

主要參數(shù)含義:

  • link_extractor為LinkExtractor,用于定義需要提取的鏈接
  • callback參數(shù):當(dāng)link_extractor獲取到鏈接時參數(shù)所指定的值作為回調(diào)函數(shù)
  • callback參數(shù)使用注意:  當(dāng)編寫爬蟲規(guī)則時,請避免使用parse作為回調(diào)函數(shù)。于CrawlSpider使用parse方法來實現(xiàn)其邏輯,如果您覆蓋了parse方法,crawlspider將會運行失敗
  • follow:指定了根據(jù)該規(guī)則從response提取的鏈接是否需要跟進。 當(dāng)callback為None,默認(rèn)值為True
  • process_links:主要用來過濾由link_extractor獲取到的鏈接
  • process_request:主要用來過濾在rule中提取到的request

rules=( ):指定不同規(guī)則解析器。一個Rule對象表示一種提取規(guī)則。

(四)、CrawlSpider整體爬取流程:

(a) 爬蟲文件首先根據(jù)起始url,獲取該url的網(wǎng)頁內(nèi)容

(b) 鏈接提取器會根據(jù)指定提取規(guī)則將步驟a中網(wǎng)頁內(nèi)容中的鏈接進行提取

(c) 規(guī)則解析器會根據(jù)指定解析規(guī)則將鏈接提取器中提取到的鏈接中的網(wǎng)頁內(nèi)容根據(jù)指定的規(guī)則進行解析

(d) 將解析數(shù)據(jù)封裝到item中,然后提交給管道進行持久化存儲

三、基于CrawlSpider使用

(1)spider爬蟲文件代碼

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
 
 
class CrawlYjinSpider(CrawlSpider):
    name = "crawl_yjin"
    allowed_domains = ["xiachufang.com"]
    start_urls = ["https://www.xiachufang.com/category/40073/"]  # 起始url (分類列表的小吃)
 
    # 創(chuàng)建一個Rule對象(也創(chuàng)建一個LinkExtractor對象)
    rules = (
 
        # 菜單詳情地址
        # https://www.xiachufang.com/recipe/106909278/
        # https://www.xiachufang.com/recipe/1055105/
        Rule(LinkExtractor(allow=r".*?/recipe/\d+/$"), callback="parse_item", follow=False),
 
    )
 
    # 解析菜單詳情
    def parse_item(self, response):
        # 不需要手動構(gòu)造item對象
        item = {}
        # print(response.url)
        # 圖片鏈接,名稱,評分,多少人做過,發(fā)布人
        item['imgs'] = response.xpath('//div/img/@src').get()
        #去除空格和\n
        item['title']=''.join(response.xpath('//div/h1/text()').get()).replace(' ','').replace('\n','')
        item['score']=response.xpath('//div[@class="score float-left"]/span[@class="number"]/text()').extract_first()
        item['number']=response.xpath('//div[@class="cooked float-left"]/span[@class="number"]/text()').get()
        item['author']=''.join(response.xpath('//div[@class="author"]/a/img/@alt').get()).replace('的廚房','')
 
        # print(item)
 
        return item

(2)數(shù)據(jù)保存>>pipelines管道文件

import json
 
from itemadapter import ItemAdapter
 
 
class MeitouPipeline:
    """處理items對象的數(shù)據(jù)"""
    def __init__(self):
        self.file_=open('xcf-1.json','w',encoding='utf-8')
        print('文件打開了。。。')
 
    def process_item(self, item, spider):
        """item接收爬蟲器丟過來的items對象"""
        py_dict=dict(item) # 先把攜帶鍵值對數(shù)據(jù)items對象轉(zhuǎn)成字典
        #dict轉(zhuǎn)換成json數(shù)據(jù)
        json_data=json.dumps(py_dict,ensure_ascii=False)+",\n"
        #寫入
        self.file_.write(json_data)
        print("寫入數(shù)據(jù)...")
        return item
 
 
    def __del__(self):
        self.file_.close()  #關(guān)閉
        print('文件關(guān)閉了....')

(3)settings相關(guān)設(shè)置 >>settings.py設(shè)置文件

# 全局用戶代理,默認(rèn)是被注釋了,不生效
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36'
 
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
 
# 設(shè)置下載延時
DOWNLOAD_DELAY = 1
 
#開啟管道
ITEM_PIPELINES = {
   "Meitou.pipelines.MeitouPipeline": 300,
}

(4)運行程序 >>scrapy crawl crawl_yjin --nolog

查看保存的json文件

到此這篇關(guān)于Python的Scrapy框架中的CrawlSpider介紹和使用的文章就介紹到這了,更多相關(guān)Scrapy框架中的CrawlSpider 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • 解決django前后端分離csrf驗證的問題

    解決django前后端分離csrf驗證的問題

    今天小編就為大家分享一篇解決django前后端分離csrf驗證的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-02-02
  • Python實現(xiàn)簡單求解給定整數(shù)的質(zhì)因數(shù)算法示例

    Python實現(xiàn)簡單求解給定整數(shù)的質(zhì)因數(shù)算法示例

    這篇文章主要介紹了Python實現(xiàn)簡單求解給定整數(shù)的質(zhì)因數(shù)算法,結(jié)合實例形式分析了Python正整數(shù)分解質(zhì)因數(shù)的相關(guān)操作技巧,需要的朋友可以參考下
    2018-03-03
  • Python接口自動化之request請求封裝源碼分析

    Python接口自動化之request請求封裝源碼分析

    這篇文章主要介紹了Python接口自動化之request請求封裝源碼分析,文章圍繞主題的相關(guān)資料展開詳細(xì)的內(nèi)容介紹,具有一定的參考價值,感興趣的小伙伴可以參考一下
    2022-06-06
  • python讀取.mat文件及將變量存為.mat文件的詳細(xì)介紹

    python讀取.mat文件及將變量存為.mat文件的詳細(xì)介紹

    這篇文章主要給大家介紹了關(guān)于python讀取.mat文件及將變量存為.mat文件的詳細(xì)介紹,?mat文件是matlab的數(shù)據(jù)存儲的標(biāo)準(zhǔn)格式,文中通過代碼介紹的非常詳細(xì),需要的朋友可以參考下
    2024-06-06
  • Pandas數(shù)據(jù)如何讀取與導(dǎo)出

    Pandas數(shù)據(jù)如何讀取與導(dǎo)出

    Pandas是一個強大的Python庫,用于數(shù)據(jù)處理和分析,它提供了多種文件格式的數(shù)據(jù)讀取和導(dǎo)出方法,包括CSV、Excel、SQL數(shù)據(jù)庫、JSON等,常用的數(shù)據(jù)讀取方法為`pd.read_csv()`、`pd.read_excel()`等,導(dǎo)出方法為`to_csv()`、`to_excel()`等
    2025-01-01
  • 解決numpy矩陣相減出現(xiàn)的負(fù)值自動轉(zhuǎn)正值的問題

    解決numpy矩陣相減出現(xiàn)的負(fù)值自動轉(zhuǎn)正值的問題

    這篇文章主要介紹了解決numpy矩陣相減出現(xiàn)的負(fù)值自動轉(zhuǎn)正值的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-06-06
  • Python面向?qū)ο笾瓷?自省機制實例分析

    Python面向?qū)ο笾瓷?自省機制實例分析

    這篇文章主要介紹了Python面向?qū)ο笾瓷?自省機制,結(jié)合實例形式分析了Python面向?qū)ο蟪绦蛟O(shè)計中的反射/自省機制概念、原理及相關(guān)屬性操作技巧,需要的朋友可以參考下
    2018-08-08
  • tensorflow基本操作小白快速構(gòu)建線性回歸和分類模型

    tensorflow基本操作小白快速構(gòu)建線性回歸和分類模型

    這篇文章主要介紹了tensorflow基本操作,快速構(gòu)建線性回歸和分類模型,圖文代碼示例非常詳細(xì),有需要的朋友可以借鑒參考下,希望可以對大家有所幫助
    2021-08-08
  • python ChainMap管理用法實例講解

    python ChainMap管理用法實例講解

    在本篇文章里小編給大家整理一篇關(guān)于python ChainMap的管理用法及相關(guān)實例,有需要的朋友們可以學(xué)參考下。
    2021-08-08
  • 簡單了解python單例模式的幾種寫法

    簡單了解python單例模式的幾種寫法

    這篇文章主要介紹了簡單了解python單例模式的幾種寫法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下
    2019-07-07

最新評論

万安县| 卓尼县| 怀柔区| 遂昌县| 靖边县| 南城县| 宜城市| 麟游县| 城步| 钦州市| 五家渠市| 博湖县| 北安市| 阳朔县| 如东县| 徐州市| 普陀区| 巴中市| 宁阳县| 潼南县| 宁远县| 寿光市| 根河市| 措美县| 黄梅县| 化德县| 中山市| 青州市| 郸城县| 郸城县| 常德市| 上林县| 望江县| 金塔县| 嘉禾县| 新丰县| 平阴县| 厦门市| 卢湾区| 睢宁县| 庆阳市|