scrapy框架(三)

scrapy框架(三)

CrawlSpider类

创建CrawlSpider

 # 创建项目后
 $ scrapy genspider -t crawl spider_name website_domain
 ​
 url 就是你想要爬取的网址
 注意：分析本地文件是一定要带上路径，scrapy shell默认当作url
 ​

介绍：

CrawlSpider类继承自spider类

CrawlSpiders url规则 自动生成Request请求

Rule

 Rule用来定义CrawlSpider的爬取规则
 ​
 参数：
 link_extractor  Link Extractor的实例对象，它定义如何从每个已爬网页面中提取链接。
 callback  回调函数
 cb_kwargs  是一个包含要传递给回调函数的关键字参数的dict
 follow 它指定是否应该从使用此规则提取的每个响应中跟踪链接。
 process_links  用于过滤连接的回调函数
 process_request  用于过滤请求的额回调函数
 ​

LinkExtractor 对象

 参数：
 •   allow   正则表达式 满足的url    会被提取出来
 ​
 •   deny    正则表达式 满足的url    不会被提取出来
 ​
 •   restrict_xpaths 路径表达式   符合路径的标签提取出来
 ​
 LinkExractor也是scrapy框架定义的一个类
 它唯一的目的是从web页面中提取最终将被跟踪的额连接。
 ​
 我们也可定义我们自己的链接提取器，只需要提供一个名为
 extract_links的方法，它接收Response对象
 并返回scrapy.link.Link对象列表。
 ​