Python学习八十九天：Crawl Spider 模板的使用
1.Spider模板
-
scrapy默认创建的spider模板就是basic模板，创建spider文件的命令是：
scrapy genspider dribbble dribbble.com，查看spider模板的命令是：scrapy genspider --list； -
在项目中明确指明使用crawl生成模板生成spider的命令是：
scrapy genspider -t crawl csdn www.csdn.net；
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class CsdnSpider(CrawlSpider):
name = 'csdn'
allowed_domains = ['www.csdn.net']
start_urls = ['https://www.csdn.net/']
rules = (
Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
)
def parse_item(self, response):
return item
2.CrawlSpider类介绍
- CrawlSpider是Spider的派生类，目的是对全站信息爬取更加简单，爬取那些具有一定规则网站的常用的爬虫， 它基于Spider并有一些独特属性；
3.rules规则列表
-
语法：
Rule(link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None, process_request=None)，rules是Rule对象的集合，用于匹配目标网站并排除干扰； -
link_extractor：是一个LinkExtractor对象，其定义了如何从爬取到的页面提取链接； -
callback：从link_extractor中每获取到链接得到Responses时，会调用参数所指定的值作为回调函数，该回调 函数接收一个response作为其一个参数； -
cb_kwargs：用于作为**kwargs参数，传递给callback； -
follow：是一个布尔值，指爬取了之后，是否还继续从该页面提取链接，然后继续爬下去, 默认是False； -
process_links：指定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：指定处理函数，根据该Rule提取到的每个Request时，该函数将会被调用，可以对Request进 行处理，该函数必须返回Request或者None；
4.LinkExtractors
-
LinkExtractors 的目的是提取链接，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；
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：会被提取的连接的； -
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；
5.爬取CSDN的文章, 且提取URL和文章标题
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class DoubanSpider(CrawlSpider):
name = 'csdn'
allowed_domains = ['blog.csdn.net']
start_urls = ['https://blog.csdn.net']
# 指定链接提取的规律
rules = (
# follow:是指爬取了之后，是否还继续从该页面提取链接，然后继续爬下去
Rule(LinkExtractor(allow=r'.*/article/.*'), callback='parse_item', follow=True),
)
def parse_item(self, response):
print('-'*100)
print(response.url)
title = response.css('h1::text').extract()[0]
print(title)
print('-' * 100)
return None
