Python 爬虫从入门到进阶之路（十八）

在之前的文章我们通过 scrapy 框架及 scrapy.Spider 类做了一个《糗事百科》的糗百爬虫，本章我们再来看一下相较于 scrapy.Spider 类更为强大的 CrawlSpider 类。

CrawlSpider 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

from scrapy.linkextractors import 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)

接下来我们就按上面所说的内容将之前的糗百爬虫做一下修改，我们将 qiubaiSpider.py 的代码改为如下：

 import scrapy

 # 导入CrawlSpider类和Rule

 from scrapy.spiders import CrawlSpider, Rule

 # 导入链接规则匹配类，用来提取符合规则的连接

 from scrapy.linkextractors import LinkExtractor

 from ..items import QiushiItem

 class QiushiSpider(CrawlSpider):

     # 爬虫名

     name = "qiubai"

     # 允许爬虫作用的范围，不能越界

     allowd_domains = ["https://www.qiushibaike.com/"]

     # 爬虫起始url

     start_urls = ["https://www.qiushibaike.com/text/page/1/"]

     # Response 里链接的提取规则，返回的符合匹配规则的链接匹配对象的列表

     pageLink = LinkExtractor(allow=("/page/\d+"))

     # 获取这个列表里的链接，依次发送请求，并且继续跟进，调用指定回调函数处理

     rules = [

         Rule(pageLink, callback="parseContent", follow=True)

     ]

     # 指定的回调函数

     def parseContent(self, response):

         # 通过 scrayy 自带的 xpath 匹配想要的信息

         qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]')

         for site in qiushi_list:

             # 实例化从 items.py 导入的 QiushiItem 类

             item = QiushiItem()

             # 根据查询发现匿名用户和非匿名用户的标签不一样

             try:

                 # 非匿名用户

                 username = site.xpath('./div/a/img/@alt')[0].extract()  # 作者

                 imgUrl = site.xpath('./div/a/img/@src')[0].extract()  # 头像

             except Exception:

                 # 匿名用户

                 username = site.xpath('./div/span/img/@alt')[0].extract()  # 作者

                 imgUrl = site.xpath('./div/span/img/@src')[0].extract()  # 头像

             content = site.xpath('.//div[@class="content"]/span[1]/text()').extract()

             item['username'] = username

             item['imgUrl'] = "https:" + imgUrl

             item['content'] = content

             # 将获取的数据交给 pipeline 管道文件

             yield item

在控制台或终端输入 scrapy crawl qiubai 即可运行程序并获取糗百数据。

需要注意的是在 rule 规则中的 callback 千万不能写 parse，因为 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。