python爬虫入门（八）Scrapy框架之CrawlSpider类

CrawlSpider类

通过下面的命令可以快速创建 CrawlSpider模板 的代码：

scrapy genspider -t crawl tencent tencent.com

CrawSpider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。

CrawSpider源码详细解析

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

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

)

主要参数:

• 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。

• 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)

CrawlSpider 版本写腾讯职位招聘

# -*- coding: utf-8 -*-

import scrapy

class TencentItem(scrapy.Item):

    # define the fields for your item here like:

    # 职位名

    positionname = scrapy.Field()

    # 详情连接

    positionlink = scrapy.Field()

    # 职位类别

    positionType = scrapy.Field()

    # 招聘人数

    peopleNum = scrapy.Field()

    # 工作地点

    workLocation = scrapy.Field()

    # 发布时间

    publishTime = scrapy.Field()

items.py

# -*- coding: utf-8 -*-

import json

class TencentPipeline(object):

    def __init__(self):

        self.filename = open("tencent.json", "w")

    def process_item(self, item, spider):

        text = json.dumps(dict(item), ensure_ascii = False) + ",\n"

        self.filename.write(text.encode("utf-8"))

        return item

    def close_spider(self, spider):

        self.filename.close()

pipelines.py

tencent.py

#!/usr/bin/env python

# -*- coding:utf-8 -*-

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 TencentSpider.items import TencentItem

class TencentSpider(CrawlSpider):

    name = "tencent"

    allow_domains = ["hr.tencent.com"]

    start_urls = ["http://hr.tencent.com/position.php?&start=0#a"]

    # 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=("start=\d+"))

    rules = [

        # 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

        Rule(pagelink, callback = "parseTencent", follow = True)

    ]

    # 指定的回调函数

    def parseTencent(self, response):

        for each in response.xpath("//tr[@class='even'] | //tr[@class='odd']"):

            item = TencentItem()

            # 职位名称

            item['positionname'] = each.xpath("./td[1]/a/text()").extract()[0]

            # 详情连接

            item['positionlink'] = each.xpath("./td[1]/a/@href").extract()[0]

            # 职位类别

            item['positionType'] = each.xpath("./td[2]/text()").extract()[0]

            # 招聘人数

            item['peopleNum'] =  each.xpath("./td[3]/text()").extract()[0]

            # 工作地点

            item['workLocation'] = each.xpath("./td[4]/text()").extract()[0]

            # 发布时间

            item['publishTime'] = each.xpath("./td[5]/text()").extract()[0]

            yield item

settings.py可以设置保存日志

通过在setting.py中进行以下设置可以被用来配置logging:

LOG_ENABLED 默认: True，启用logging

LOG_ENCODING 默认: 'utf-8'，logging使用的编码

LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名

LOG_LEVEL 默认: 'DEBUG'，log的最低级别

LOG_STDOUT 默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示。

logging 设置

Scrapy提供5层logging级别:

CRITICAL - 严重错误(critical)

ERROR - 一般错误(regular errors)

WARNING - 警告信息(warning messages)

INFO - 一般信息(informational messages)

DEBUG - 调试信息(debugging messages)

logging level

# 保存日志信息的文件名

LOG_FILE = "tencentlog.log"

# 保存日志等级，低于|等于此等级的信息都被保存

LOG_LEVEL = "DEBUG"

案例实战

爬取问政平台 “http://wz.sun0769.com/index.php/question/questionType?type=4&page=”  投诉信息

每页的帖子

帖子里面的内容

===《《《我们要爬取的是所有页的全部帖子的投诉主题、编号和内容===》》》

分别用Spider类和CrawlSpiders类两种方法实现

# -*- coding: utf-8 -*-

import scrapy

class NewdongguanItem(scrapy.Item):

    # define the fields for your item here like:

    # 标题

    title = scrapy.Field()

    # 编号

    number = scrapy.Field()

    # 内容

    content = scrapy.Field()

    # 链接

    url = scrapy.Field()

items.py

# -*- coding: utf-8 -*-

import scrapy

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

from newdongguan.items import NewdongguanItem

class DongdongSpider(CrawlSpider):

    name = 'dongdong'

    allowed_domains = ['wz.sun0769.com']

    start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']

    # 每一页的匹配规则

    pagelink = LinkExtractor(allow=("type=4"))

    # 每一页里的每个帖子的匹配规则

    contentlink = LinkExtractor(allow=(r"/html/question/\d+/\d+.shtml"))

    rules = (

        # 本案例的url被web服务器篡改，需要调用process_links来处理提取出来的url

        Rule(pagelink, process_links = "deal_links"),

        Rule(contentlink, callback = "parse_item")

    )

    # links 是当前response里提取出来的链接列表

    def deal_links(self, links):

        for each in links:

            each.url = each.url.replace("?","&").replace("Type&","Type?")

        return links

    def parse_item(self, response):

        item = NewdongguanItem()

        # 标题

        item['title'] = response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()').extract()[0]

        # 编号

        item['number'] = item['title'].split(' ')[-1].split(":")[-1]

        # 内容，先使用有图片情况下的匹配规则，如果有内容，返回所有内容的列表集合

        content = response.xpath('//div[@class="contentext"]/text()').extract()

        # 如果没有内容，则返回空列表，则使用无图片情况下的匹配规则

        if len(content) == 0:

            content = response.xpath('//div[@class="c1 text14_2"]/text()').extract()

            item['content'] = "".join(content).strip()

        else:

            item['content'] = "".join(content).strip()

        # 链接

        item['url'] = response.url

        yield item

# -*- coding: utf-8 -*-

import codecs

import json

class NewdongguanPipeline(object):

    def __init__(self):

        # 创建一个文件

        self.filename = codecs.open("donggguan.json", "w", encoding = "utf-8")

    def process_item(self, item, spider):

        # 中文默认使用ascii码来存储，禁用后默认为Unicode字符串

        content = json.dumps(dict(item), ensure_ascii=False) + "\n"

        self.filename.write(content)

        return item

    def close_spider(self, spider):

        self.filename.close()

pipelines

用Spider类写的方法

# -*- coding: utf-8 -*-

import scrapy

from newdongguan.items import NewdongguanItem

class DongdongSpider(scrapy.Spider):

    name = 'xixi'

    allowed_domains = ['wz.sun0769.com']

    url = 'http://wz.sun0769.com/index.php/question/questionType?type=4&page='

    offset = 0

    start_urls = [url + str(offset)]

    def parse(self, response):

        # 每一页里的所有帖子的链接集合

        links = response.xpath('//div[@class="greyframe"]/table//td/a[@class="news14"]/@href').extract()

        # 迭代取出集合里的链接

        for link in links:

            # 提取列表里每个帖子的链接，发送请求放到请求队列里,并调用self.parse_item来处理

            yield scrapy.Request(link, callback = self.parse_item)

        # 页面终止条件成立前，会一直自增offset的值，并发送新的页面请求，调用parse方法处理

        if self.offset <= 71160:

            self.offset += 30

            # 发送请求放到请求队列里，调用self.parse处理response

            yield scrapy.Request(self.url + str(self.offset), callback = self.parse)

    # 处理每个帖子的response内容

    def parse_item(self, response):

        item = NewdongguanItem()

        # 标题

        item['title'] = response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()').extract()[0]

        # 编号

        item['number'] = item['title'].split(' ')[-1].split(":")[-1]

        # 内容，先使用有图片情况下的匹配规则，如果有内容，返回所有内容的列表集合

        content = response.xpath('//div[@class="contentext"]/text()').extract()

        # 如果没有内容，则返回空列表，则使用无图片情况下的匹配规则

        if len(content) == 0:

            content = response.xpath('//div[@class="c1 text14_2"]/text()').extract()

            item['content'] = "".join(content).strip()

        else:

            item['content'] = "".join(content).strip()

        # 链接

        item['url'] = response.url

        # 交给管道

        yield item

爬取的结果：