Scrapy框架中的crawlspider爬虫

1 crawlspider是什么

在spider中要寻找下一页的url地址或者内容的url地址，想想是否有简单的方法省略寻找url的过程？

思路：

1. 从response中提取所有的满足规则的url地址
2. 自动的构造自己requests请求，发送给引擎

        对应的crawlspider就可以实现上述需求，能够匹配满足条件的url地址，组装成Reuqest对象后自动发送给引擎，同时能够指定callback函数

即：crawlspider爬虫可以按照规则自动获取连接

crawlspider的作用：crawlspider可以按照规则自动获取连接

【crawlspider 继承自spider 爬虫类】【自动根据规则提取链接并发送给引擎】

2 创建crawlspider爬虫并观察爬虫内的默认内容 2.1 创建crawlspider爬虫：

scrapy genspider -t crawl job 163.com

2.2 spider中默认生成的内容如下：

class JobSpider(CrawlSpider):
    name = 'job'
    allowed_domains = ['163.com']
    start_urls = ['https://hr.163.com/position/list.do']

    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        item = {}
        #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
        #i['name'] = response.xpath('//div[@id="name"]').extract()
        #i['description'] = response.xpath('//div[@id="description"]').extract()
        return item

【LinkExtractor用于设置链接提取规则，一般使用allow参数接收正则表达式】【follow参数决定是否在链接提取器提取的链接对应的响应中继续应用链接提取器提取链接】【使用Rule类生成链接提取对象】

【提取allow链接可以使用爬虫小工具shell来测试链接是否能取到及是否正确：参考博文：爬虫Scrapy框架小工具shell_IT之一小佬的博客-CSDN博客】

2.3 观察跟普通的scrapy.spider的区别

在crawlspider爬虫中，没有parse函数

重点在rules中：

1. rules是一个元组或者是列表，包含的是Rule对象
2. Rule表示规则，其中包含LinkExtractor,callback和follow等参数
3. LinkExtractor:连接提取器，可以通过正则或者是xpath来进行url地址的匹配
4. callback :表示经过连接提取器提取出来的url地址响应的回调函数，可以没有，没有表示响应不会进行回调函数的处理
5. follow：连接提取器提取的url地址对应的响应是否还会继续被rules中的规则进行提取，True表示会，Flase表示不会

3. crawlspider网易招聘爬虫

通过crawlspider爬取网易招聘的详情页的招聘信息

url：职位搜索

思路分析：

1. 定义一个规则，来进行列表页翻页，follow需要设置为True
2. 定义一个规则，实现从列表页进入详情页，并且指定回调函数
3. 在详情页提取数据

注意：连接提取器LinkExtractor中的allow对应的正则表达式匹配的是href属性的值

示例代码：

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


#  crawspider经常应用于数据在一个页面上进行采集的情况，如果页面在多个页面上进行采集，这个时候通常使用spider
class WangyiSpider(CrawlSpider):
    name = 'wangyi'
    allowed_domains = ['163.com']
    start_urls = ['https://hr.163.com/position/list.do']

    rules = (
        #  使用Rule类生成链接提取对象
        #  LinkExtractor用于设置链接提取规则，一般使用allow参数接收正则表达式
        #  follow参数决定是否在链接提取器提取的链接对应的响应中继续应用链接提取器提取链接

        #  设置详情页链接提取规则
        Rule(LinkExtractor(allow=r'https://hr.163.com/position/detail.do\?id=\d+'), callback='parse_item'),
        #  设置翻页链接提取规则
        Rule(LinkExtractor(allow=r'https://hr.163.com/position/list.do\?currentPage=\d+'),  follow=True),
    )

    def parse_item(self, response):
        item = {}
        item['name'] = response.xpath('./td[1]/a/text()').extract_first()
        print(item)
        return item

4 crawlspider使用的注意点：

1. 除了用命令scrapy genspider -t crawl 创建一个crawlspider的模板，页可以手动创建
2. crawlspider中不能再有以parse为名的数据提取方法，该方法被crawlspider用来实现基础url提取等功能
3. Rule对象中LinkExtractor为固定参数，其他callback、follow为可选参数
4. 不指定callback且follow为True的情况下，满足rules中规则的url还会被继续提取和请求
5. 如果一个被提取的url满足多个Rule，那么会从rules中选择一个满足匹配条件的Rule执行

5 crawlspider其他知识点

• 链接提取器LinkExtractor的更多常见参数

  • allow: 满足括号中的're'表达式的url会被提取，如果为空，则全部匹配
  • deny: 满足括号中的're'表达式的url不会被提取，优先级高于allow
  • allow_domains: 会被提取的链接的domains(url范围)，如：['hr.tencent.com', 'baidu.com']
  • deny_domains: 不会被提取的链接的domains(url范围)
  • restrict_xpaths: 使用xpath规则进行匹配，和allow共同过滤url，即xpath满足的范围内的url地址会被提取，如：restrict_xpaths='//div[@class="pagenav"]'

• Rule常见参数

  • LinkExtractor: 链接提取器，可以通过正则或者是xpath来进行url地址的匹配
  • callback: 表示经过连接提取器提取出来的url地址响应的回调函数，可以没有，没有表示响应不会进行回调函数的处理
  • follow: 连接提取器提取的url地址对应的响应是否还会继续被rules中的规则进行提取，默认True表示会，Flase表示不会
  • process_links: 当链接提取器LinkExtractor获取到链接列表的时候调用该参数指定的方法，这个自定义方法可以用来过滤url，且这个方法执行后才会执行callback指定的方法