CrawlSpider模板

crawlSpider

• 创建CrawlSpider模板 scrapy genspider -t crawl <爬虫名字> <域名>

• 模板代码示例：

  # -*- coding: utf-8 -*-
  import scrapy
  from scrapy.linkextractors import LinkExtractor
  from scrapy.spiders import CrawlSpider, Rule
  ​
  class XxxSpider(CrawlSpider):
      name = 'xxx'
      allowed_domains = ['www.baidu.com']
      start_urls = ['http://www.baidu.com']
  
      rules = (
          Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
      )
  ​
      def parse_item(self, response):
          i = {}
          #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
          #i['name'] = response.xpath('//div[@id="name"]').extract()
          #i['description'] = response.xpath('//div[@id="description"]').extract()
          return i

• CrawlSpider 继承自Spider 类，除了（name, allowed_domains, start_urls）之外，还定义了rules

rules

• CrawlSpider使用rules来定义爬虫的爬取规则，并将匹配后的url自动拼接完整构造成请求提交给引擎。所以在正常情况下，CrawlSpider不需要单独手动返回请求了。

• 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某种特定操作，比如提取当前相应内容里的特定链接，是否对提取的链接跟进爬取，对提交的请求设置回调函数等。

• 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。

• Rule对象的参数

  • LinkExtracto 链接提取器，用于提取需要爬取的链接

  • callback 回调函数，提取的url请求对应的响应的处理函数，函数名是一个字符型

    • 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 是否跟进链接，True表示跟进，就是在请求的url页面，有满足这个规则的url会被继续提取，然后组成Request发送跟调度器排队继续请求

  • 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)

• LinkExtractor

  • allow：满足括号中正则表达式的URL会被提取，如果为空，则全部匹配。

  • deny：满足括号中正则表达式的URL一定不提取（优先级高于allow）。

  • 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。

案例

• crawlSpider爬取腾讯招聘

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from craw_spider.items import PositionItem, DetailItem
​
class HrSpider(CrawlSpider):
    name = 'hr'
    allowed_domains = ['hr.tencent.com']
    start_urls = ['https://hr.tencent.com/position.php?start=0']
​
    rules = (
        # 提起职位基本信息规则
        Rule(LinkExtractor(allow=r'position\.php\?&start=\d+#a'),
             callback='parse_item',
             follow=True),
​
        # 提取职位详情页规则
        Rule(LinkExtractor(allow=r'position_detail\.php\?id=\d+'),
             callback='parse_detail',
             follow=False),
    )
​
    def parse_item(self, response):
        item = PositionItem()
        trs = response.xpath(
            '//table[@class="tablelist"]/tr[@class="even"] | //table[@class="tablelist"]/tr[@class="odd"]')
        for tr in trs:
            item['position_name'] = tr.xpath('./td/a/text()').extract_first()
            item['position_type'] = tr.xpath('./td[2]/text()').extract_first()
            item['position_num'] = tr.xpath('./td[3]/text()').extract_first()
            item['position_addr'] = tr.xpath('./td[4]/text()').extract_first()
            item['publish_data'] = tr.xpath('./td[5]/text()').extract_first()
            yield item
​
    def parse_detail(self, response):
        item = DetailItem()
        item['position_require'] = response.xpath('//table[@class="tablelist textl"]/tr[3]/td/ul/li//text()').extract()
        item['position_duty'] = response.xpath('//table[@class="tablelist textl"]/tr[4]/td/ul/li//text()').extract()
        yield item
​

• 其他组件的使用和Spider是一样的