今天來聊聊scrapy 框架中一個(gè)很實(shí)用的框架，

1. CrawlSpiders

通過下面的命令可以快速創(chuàng)建 CrawlSpider模板 的代碼

scrapy genspider -t crawl 文件名 (allowed_url)

首先在說下Spider，它是所有爬蟲的基類，而CrawSpiders就是Spider的派生類。對于設(shè)計(jì)原則是只爬取start_url列表中的網(wǎng)頁，而從爬取的網(wǎng)頁中獲取link并繼續(xù)爬取的工作CrawlSpider類更適合

2. Rule對象

Rule類與CrawlSpider類都位于scrapy.contrib.spiders模塊中

class scrapy.contrib.spiders.Rule (  
link_extractor, callback=None,cb_kwargs=None,follow=None,process_links=None,process_request=None )

參數(shù)含義：

• link_extractor為LinkExtractor，用于定義需要提取的鏈接

• callback參數(shù)：當(dāng)link_extractor獲取到鏈接時(shí)參數(shù)所指定的值作為回調(diào)函數(shù)

  • callback參數(shù)使用注意： 當(dāng)編寫爬蟲規(guī)則時(shí)，請避免使用parse作為回調(diào)函數(shù)。于CrawlSpider使用parse方法來實(shí)現(xiàn)其邏輯，如果您覆蓋了parse方法，crawlspider將會運(yùn)行失敗

• follow：指定了根據(jù)該規(guī)則從response提取的鏈接是否需要跟進(jìn)。當(dāng)callback為None,默認(rèn)值為True

• process_links：主要用來過濾由link_extractor獲取到的鏈接

• process_request：主要用來過濾在rule中提取到的request

3.LinkExtractors

3.1 概念

顧名思義，鏈接提取器

3.2 作用

response對象中獲取鏈接，并且該鏈接會被接下來爬取 每個(gè)LinkExtractor有唯一的公共方法是 extract_links()，它接收一個(gè) Response 對象，并返回一個(gè) scrapy.link.Link 對象

3.3 使用

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
)

主要參數(shù)：

• allow：滿足括號中“正則表達(dá)式”的值會被提取，如果為空，則全部匹配。

• deny：與這個(gè)正則表達(dá)式(或正則表達(dá)式列表)不匹配的URL一定不提取。

• allow_domains：會被提取的鏈接的domains。

• deny_domains：一定不會被提取鏈接的domains。

• restrict_xpaths：使用xpath表達(dá)式，和allow共同作用過濾鏈接(只選到節(jié)點(diǎn)，不選到屬性)

3.3.1 查看效果（shell中驗(yàn)證)

首先運(yùn)行

scrapy shell http://www.******.com/read/33/33539/17829387.shtml

繼續(xù)import相關(guān)模塊：

from scrapy.linkextractors import LinkExtractor

提取當(dāng)前網(wǎng)頁中獲得的鏈接

link = LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[4]')

調(diào)用LinkExtractor實(shí)例的extract_links()方法查詢匹配結(jié)果

link.extract_links(response)

3.3.2 查看效果 CrawlSpider版本

from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from xiaoshuo.items import XiaoshuoItem

class XiaoshuoSpiderSpider(CrawlSpider):
    name = 'xiaoshuo_spider'
    allowed_domains = ['*****.com']
    start_urls = ['http://www.****.com']

    rules = [
        Rule(LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[4]')), callback='parse_item'),]

    def parse_item(self, response):
        info = response.xpath("http://div[@id='TXT']/text()").extract()
        it = XiaoshuoItem()
        it['info'] = info
        yield it

注意：

rules = [
        Rule(LinkExtractor(restrict_xpaths=(r'//div[@class="bottem"]/a[4]')), callback='parse_item'),]

• callback后面函數(shù)名用引號引起
• 函數(shù)名不能是parse
• 格式問題