Scrapy框架CrawlSpiders的介绍以及使用详解
在Scrapy基础——Spider中,我简要地说了一下Spider类。Spider基本上能做很多事情了,但是如果你想爬取知乎或者是简书全站的话,你可能需要一个更强大的武器。CrawlSpider基于Spider,但是可以说是为全站爬取而生。
CrawlSpiders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。
一、我们先来分析一下CrawlSpiders源码
源码解析 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)
二、 CrawlSpider爬虫文件字段的介绍
1、 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:class scrapy.linkextractors.LinkExtractorLink 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:
① 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。
② 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。
③ allow_domains:会被提取的链接的domains。
④ deny_domains:一定不会被提取链接的domains。
⑤ restrict_xpaths:使用xpath表达式,和allow共同作用过滤链接。
2、 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 )
① link_extractor:是一个Link Extractor对象,用于定义需要提取的链接。
② 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。
注意:当编写爬虫规则时,避免使用parse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 parse方法,crawl spider将会运行失败。
③ 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。
④ 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。
⑤ 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)
3、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"
Scrapy提供5层logging级别:
① CRITICAL - 严重错误(critical)
② ERROR - 一般错误(regular errors)
③ WARNING - 警告信息(warning messages)
④ INFO - 一般信息(informational messages)
⑤ DEBUG - 调试信息(debugging messages)
通过在setting.py中进行以下设置可以被用来配置logging:
① LOG_ENABLED 默认: True,启用logging
② LOG_ENCODING 默认: 'utf-8',logging使用的编码
③ LOG_FILE 默认: None,在当前目录里创建logging输出文件的文件名
④ LOG_LEVEL 默认: 'DEBUG',log的最低级别
⑤ 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。
三、 CrawlSpider爬虫案例分析
1、创建项目:scrapy startproject CrawlYouYuan
2、创建爬虫文件:scrapy genspider -t crawl youyuan youyuan.com
3、项目文件分析
items.py
模型类 import scrapy class CrawlyouyuanItem(scrapy.Item): # 用户名 username = scrapy.Field() # 年龄 age = scrapy.Field() # 头像图片的链接 header_url = scrapy.Field() # 相册图片的链接 images_url = scrapy.Field() # 内心独白 content = scrapy.Field() # 籍贯 place_from = scrapy.Field() # 学历 education = scrapy.Field() # 兴趣爱好 hobby = scrapy.Field() # 个人主页 source_url = scrapy.Field() # 数据来源网站 sourec = scrapy.Field() # utc 时间 time = scrapy.Field() # 爬虫名 spidername = scrapy.Field()
youyuan.py
爬虫文件 # -*- coding: utf-8 -*- import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from CrawlYouYuan.items import CrawlyouyuanItem import re class YouyuanSpider(CrawlSpider): name = 'youyuan' allowed_domains = ['youyuan.com'] start_urls = ['http://www.youyuan.com/find/beijing/mm18-25/advance-0-0-0-0-0-0-0/p1/'] # 自动生成的文件不需要改东西,只需要添加rules文件里面Rule角色就可以 # 每一页匹配规则 page_links = LinkExtractor(allow=(r"youyuan.com/find/beijing/mm18-25/advance-0-0-0-0-0-0-0/p\d+/")) # 每个人个人主页匹配规则 profile_links = LinkExtractor(allow=(r"youyuan.com/\d+-profile/")) rules = ( # 没有回调函数,说明follow是True Rule(page_links), # 有回调函数,说明follow是False Rule(profile_links, callback='parse_item', follow=True), ) def parse_item(self, response): item = CrawlyouyuanItem() item['username'] = self.get_username(response) # 年龄 item['age'] = self.get_age(response) # 头像图片的链接 item['header_url'] = self.get_header_url(response) # 相册图片的链接 item['images_url'] = self.get_images_url(response) # 内心独白 item['content'] = self.get_content(response) # 籍贯 item['place_from'] = self.get_place_from(response) # 学历 item['education'] = self.get_education(response) # 兴趣爱好 item['hobby'] = self.get_hobby(response) # 个人主页 item['source_url'] = response.url # 数据来源网站 item['sourec'] = "youyuan" yield item def get_username(self, response): username = response.xpath("//dl[@class='personal_cen']//div[@class='main']/strong/text()").extract() if len(username): username = username[0] else: username = "NULL" return username.strip() def get_age(self, response): age = response.xpath("//dl[@class='personal_cen']//dd/p/text()").extract() if len(age): age = re.findall(u"\d+岁", age[0])[0] else: age = "NULL" return age.strip() def get_header_url(self, response): header_url = response.xpath("//dl[@class='personal_cen']/dt/img/@src").extract() if len(header_url): header_url = header_url[0] else: header_url = "NULL" return header_url.strip() def get_images_url(self, response): images_url = response.xpath("//div[@class='ph_show']/ul/li/a/img/@src").extract() if len(images_url): images_url = ", ".join(images_url) else: images_url = "NULL" return images_url def get_content(self, response): content = response.xpath("//div[@class='pre_data']/ul/li/p/text()").extract() if len(content): content = content[0] else: content = "NULL" return content.strip() def get_place_from(self, response): place_from = response.xpath("//div[@class='pre_data']/ul/li[2]//ol[1]/li[1]/span/text()").extract() if len(place_from): place_from = place_from[0] else: place_from = "NULL" return place_from.strip() def get_education(self, response): education = response.xpath("//div[@class='pre_data']/ul/li[3]//ol[2]/li[2]/span/text()").extract() if len(education): education = education[0] else: education = "NULL" return education.strip() def get_hobby(self, response): hobby = response.xpath("//dl[@class='personal_cen']//ol/li/text()").extract() if len(hobby): hobby = ",".join(hobby).replace(" ", "") else: hobby = "NULL" return hobby.strip()
pipelines.py
管道文件 import json import codecs class CrawlyouyuanPipeline(object): def __init__(self): self.filename = codecs.open('content.json', 'w', encoding='utf-8') def process_item(self, item, spider): html = json.dumps(dict(item), ensure_ascii=False) self.filename.write(html + '\n') return item def spider_closed(self, spider): self.filename.close()
settings.py
BOT_NAME = 'CrawlYouYuan' SPIDER_MODULES = ['CrawlYouYuan.spiders'] NEWSPIDER_MODULE = 'CrawlYouYuan.spiders' # Crawl responsibly by identifying yourself (and your website) on the user-agent USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:56.0)' # Obey robots.txt rules ROBOTSTXT_OBEY = True ITEM_PIPELINES = { 'CrawlYouYuan.pipelines.CrawlyouyuanPipeline': 300, }
begin.py
from scrapy import cmdline cmdline.execute('scrapy crawl youyuan'.split())
在运行程序之前需要使Scrapy版本和Twisted版本相吻合,设置如下
这次分享详细介绍了使用Scrapy框架爬虫的具体步骤,并同时编写爬虫案例进行分析,很好的诠释了Scrapy框架爬取数据的方便性和易懂性,下篇文章我会分享下Scrapy分布式爬取网站,让我们一起学习,一起探讨爬虫技术。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我们。