CrawlSpiders
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
上一个案例中,我们通过正则表达式,制作了新的url作为Request请求参数,现在我们可以换个花样...
class scrapy.spiders.CrawlSpider
它是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继承于蜘蛛类,除了继承过来的属性外(名称,allow_domains),还提供了新的属性和方法:
LinkExtractors
- class scrapy.linkextractors.LinkExtractor
链接提取器的目的很简单: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方法会根据不同的响应调用多次提取链接。
- 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
:会被提取的链接的域名。deny_domains
:一定不会被提取链接的域名。restrict_xpaths
:使用的XPath表达式,和允许共同作用过滤链接。
规则
在规则中包含一个或多个规则对象,每个规则。对爬取网站的动作定义了特定操作如果多个规则匹配了相同的链接,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
:是一个链接提取器对象,用于定义需要提取的链接。callback
:从link_extractor中获取到链接时,参数所指定的值作为回调函数,该回调函数接受一个响应作为其第一个参数。注意:当编写爬虫规则时,避免使用解析作为回调函数。由于CrawlSpider使用parse方法来实现其逻辑,如果覆盖了解析方法,爬行蜘蛛将会运行失败。
follow
:是一个布尔(boolean)值,指定了根据该规则从响应提取的链接是否需要跟进。如果callback为None,则按照默认设置为True,否则默认为False。process_links
:指定该蜘蛛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
:指定该蜘蛛中哪个的函数将被调用,该规则提取到每个请求时都会调用该函数。(用户过滤请求)
爬取规则(爬行规则)
继续用腾讯招聘为例,给出配合规则使用CrawlSpider的例子:
首先运行
- scrapy shell "http://hr.tencent.com/position.php?&start=0#a"
导入LinkExtractor,创建LinkExtractor实例对象:
- from scrapy.linkextractors import LinkExtractor
- page_lx = LinkExtractor(allow=('position.php?&start=\d+'))
-
允许:LinkExtractor对象最重要的参数之一,这是一个正则表达式,必须要匹配这个正则表达式(或正则表达式列表)的URL才会被提取,如果没有给出(或为空),会匹配所有的链接。
deny:用法同allow,只不过与这个正则表达式匹配的URL不会被提取)。它的优先级高于allow的参数,如果没有给出(或None),将不排除任何链接。
调用LinkExtractor实例的extract_links()方法查询匹配结果:
- page_lx.extract_links(response)
- 没有查到:
- []
- 注意转义字符的问题,继续重新匹配:
- page_lx = LinkExtractor(allow=('position\.php\?&start=\d+'))
- # page_lx = LinkExtractor(allow = ('start=\d+'))
- page_lx.extract_links(response)
CrawlSpider版本
那么,scrapy shell测试完成之后,修改以下代码
- #提取匹配 'http://hr.tencent.com/position.php?&start=\d+'的链接
- page_lx = LinkExtractor(allow = ('start=\d+'))
- rules = [
- #提取匹配,并使用spider的parse方法进行分析;并跟进链接(没有callback意味着follow默认为True)
- Rule(page_lx, callback = 'parse', follow = True)
- ]
这么写对吗?
不对!千万记住callback千万不能写parse,再次强调: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。
- #tencent.py
- import scrapy
- from scrapy.spiders import CrawlSpider, Rule
- from scrapy.linkextractors import LinkExtractor
- from mySpider.items import TencentItem
- class TencentSpider(CrawlSpider):
- name = "tencent"
- allowed_domains = ["hr.tencent.com"]
- start_urls = [
- "http://hr.tencent.com/position.php?&start=0#a"
- ]
- page_lx = LinkExtractor(allow=("start=\d+"))
- rules = [
- Rule(page_lx, callback = "parseContent", follow = True)
- ]
- def parseContent(self, response):
- for each in response.xpath('//*[@class="even"]'):
- name = each.xpath('./td[1]/a/text()').extract()[0]
- detailLink = each.xpath('./td[1]/a/@href').extract()[0]
- positionInfo = each.xpath('./td[2]/text()').extract()[0]
- peopleNumber = each.xpath('./td[3]/text()').extract()[0]
- workLocation = each.xpath('./td[4]/text()').extract()[0]
- publishTime = each.xpath('./td[5]/text()').extract()[0]
- #print name, detailLink, catalog,recruitNumber,workLocation,publishTime
- item = TencentItem()
- item['name']=name.encode('utf-8')
- item['detailLink']=detailLink.encode('utf-8')
- item['positionInfo']=positionInfo.encode('utf-8')
- item['peopleNumber']=peopleNumber.encode('utf-8')
- item['workLocation']=workLocation.encode('utf-8')
- item['publishTime']=publishTime.encode('utf-8')
- yield item
- # parse() 方法不需要写
- # def parse(self, response):
- # pass
- 运行: scrapy crawl tencent
记录
Scrapy提供了log功能,可以通过logging模块使用。
可以修改配置文件settings.py,任意位置添加下面两行,效果会清爽很多。
LOG_FILE = "TencentSpider.log"
LOG_LEVEL = "INFO"
日志级别
Scrapy提供5层日志记录级别:
CRITICAL - 严重错误(critical)
- 错误 - 一般错误(常规错误)
- 警告 - 警告信息(警告信息)
- 信息 - 一般信息(informational messages)
- DEBUG - 调试信息(调试信息)
日志记录设置
通过在setting.py中进行以下设置可以被用来配置登录:
LOG_ENABLED
默认:True,启用日志LOG_ENCODING
默认:'utf-8',记录使用的编码LOG_FILE
默认:无,在当前目录里创建logging输出文件的文件名LOG_LEVEL
默认:'DEBUG',日志的最低级别LOG_STDOUT
默认:False如果为True,进程所有的标准输出(及错误)将被重定向到log中。例如,执行打印“hello”,其将会在Scrapy日志中显示。