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 loaderan cnblogs.com

?

class scrapy.spiders.CrawlSpider

它是Spider的派生類，Spider類的設計原則是只爬取start_url列表中的網(wǎng)頁，而CrawlSpider類定義了一些規(guī)則(rule)來提供跟進link的方便的機制，從爬取的網(wǎng)頁中獲取link并繼續(xù)爬取的工作更適合。

源碼參考

class CrawlSpider(Spider):    rules = ()    def __init__(self, *a, **kw):        super(CrawlSpider, self).__init__(*a, **kw)        self._compile_rules()    #首先調(diào)用parse()來處理start_urls中返回的response對象    #parse()則將這些response對象傳遞給了_parse_response()函數(shù)處理，并設置回調(diào)函數(shù)為parse_start_url()    #設置了跟進標志位True    #parse將返回item和跟進了的Request對象        def parse(self, response):        return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)    #處理start_url中返回的response，需要重寫    def parse_start_url(self, response):        return []    def process_results(self, response, results):        return results    #從response中抽取符合任一用戶定義'規(guī)則'的鏈接，并構(gòu)造成Resquest對象返回    def _requests_to_follow(self, response):        if not isinstance(response, HtmlResponse):            return        seen = set()        #抽取之內(nèi)的所有鏈接，只要通過任意一個'規(guī)則'，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]            #使用用戶指定的process_links處理每個連接            if links and rule.process_links:                links = rule.process_links(links)            #將鏈接加入seen集合，為每個鏈接生成Request對象，并設置回調(diào)函數(shù)為_repsonse_downloaded()            for link in links:                seen.add(link)                #構(gòu)造Request對象，并將Rule規(guī)則中定義的回調(diào)函數(shù)作為這個Request對象的回調(diào)函數(shù)                r = Request(url=link.url, callback=self._response_downloaded)                r.meta.update(rule=n, link_text=link.text)                #對每個Request調(diào)用process_request()函數(shù)。該函數(shù)默認為indentify，即不做任何處理，直接返回該Request.                yield rule.process_request(r)    #處理通過rule提取出的連接，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對象，會用callback解析處理他，并返回request或Item對象    def _parse_response(self, response, callback, cb_kwargs, follow=True):        #首先判斷是否設置了回調(diào)函數(shù)。（該回調(diào)函數(shù)可能是rule中的解析函數(shù)，也可能是 parse_start_url函數(shù)）        #如果設置了回調(diào)函數(shù)（parse_start_url()），那么首先用parse_start_url()處理response對象，        #然后再交給process_results處理。返回cb_res的一個列表        if callback:            #如果是parse調(diào)用的，則會解析成Request對象            #如果是rule callback，則會解析成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        #如果需要跟進，那么使用定義的Rule規(guī)則提取并返回這些Request對象        if follow and self._follow_links:            #返回每個Request對象            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繼承于Spider類，除了繼承過來的屬性外（name、allow_domains），還提供了新的屬性和方法:

LinkExtractors

class scrapy.linkextractors.LinkExtractor

Link Extractors 的目的很簡單: 提取鏈接?

每個LinkExtractor有唯一的公共方法是 extract_links()，它接收一個 Response 對象，并返回一個 scrapy.link.Link 對象。

Link Extractors要實例化一次，并且 extract_links 方法會根據(jù)不同的 response 調(diào)用多次提取鏈接?

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)

主要參數(shù)：

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

• deny：與這個正則表達式(或正則表達式列表)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表達式，和allow共同作用過濾鏈接。

rules

在rules中包含一個或多個Rule對象，每個Rule對爬取網(wǎng)站的動作定義了特定操作。如果多個rule匹配了相同的鏈接，則根據(jù)規(guī)則在本集合中被定義的順序，第一個會被使用。

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

• link_extractor：是一個Link Extractor對象，用于定義需要提取的鏈接。

• callback： 從link_extractor中每獲取到鏈接時，參數(shù)所指定的值作為回調(diào)函數(shù)，該回調(diào)函數(shù)接受一個response作為其第一個參數(shù)。

  注意：當編寫爬蟲規(guī)則時，避免使用parse作為回調(diào)函數(shù)。由于CrawlSpider使用parse方法來實現(xiàn)其邏輯，如果覆蓋了 parse方法，crawl spider將會運行失敗。

• follow：是一個布爾(boolean)值，指定了根據(jù)該規(guī)則從response提取的鏈接是否需要跟進。 如果callback為None，follow 默認設置為True ，否則默認為False。

• process_links：指定該spider中哪個的函數(shù)將會被調(diào)用，從link_extractor中獲取到鏈接列表時將會調(diào)用該函數(shù)。該方法主要用來過濾。

• process_request：指定該spider中哪個的函數(shù)將會被調(diào)用， 該規(guī)則提取到每個request時都會調(diào)用該函數(shù)。 (用來過濾request)

爬取規(guī)則(Crawling rules)

繼續(xù)用騰訊招聘為例，給出配合rule使用CrawlSpider的例子:

1. 首先運行

    scrapy shell "http://hr.tencent.com/position.php?&start=0#a"

2. 導入LinkExtractor，創(chuàng)建LinkExtractor實例對象。：

   from scrapy.linkextractors import LinkExtractor page_lx = LinkExtractor(allow=('position.php?&start=\d '))

   allow : LinkExtractor對象最重要的參數(shù)之一，這是一個正則表達式，必須要匹配這個正則表達式(或正則表達式列表)的URL才會被提取，如果沒有給出(或為空), 它會匹配所有的鏈接?

   deny : 用法同allow，只不過與這個正則表達式匹配的URL不會被提取)?它的優(yōu)先級高于 allow 的參數(shù)，如果沒有給出(或None), 將不排除任何鏈接?

3. 調(diào)用LinkExtractor實例的extract_links()方法查詢匹配結(jié)果：

   page_lx.extract_links(response)

4. 沒有查到：

    []

5. 注意轉(zhuǎn)義字符的問題，繼續(xù)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測試完成之后，修改以下代碼

#提取匹配 'http://hr.tencent.com/position.php?&start=\d '的鏈接page_lx = LinkExtractor(allow = ('start=\d '))rules = [    #提取匹配,并使用spider的parse方法進行分析;并跟進鏈接(沒有callback意味著follow默認為True)    Rule(page_lx, callback = 'parse', follow = True)]

?

注意：千萬記住 callback 千萬不能寫 parse，再次強調(diào)：由于CrawlSpider使用parse方法來實現(xiàn)其邏輯，如果覆蓋了 parse方法，crawl spider將會運行失敗。

示例：

import scrapyfrom scrapy.spiders import CrawlSpider, Rulefrom scrapy.linkextractors import LinkExtractorfrom mySpider.items import TencentItemclass 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() 方法不需要寫         # def parse(self, response):                                                  #     pass

Logging

Scrapy提供了log功能，可以通過 logging 模塊使用。

可以修改配置文件settings.py，任意位置添加下面兩行，效果會清爽很多。

LOG_FILE = "TencentSpider.log"LOG_LEVEL = "INFO"

Log levels

• Scrapy提供5層logging級別:

• CRITICAL - 嚴重錯誤(critical)

• ERROR - 一般錯誤(regular errors)
• WARNING - 警告信息(warning messages)
• INFO - 一般信息(informational messages)
• DEBUG - 調(diào)試信息(debugging messages)

logging設置

通過在setting.py中進行以下設置可以被用來配置logging:

    LOG_ENABLED 默認: True，啟用logging    LOG_ENCODING 默認: 'utf-8'，logging使用的編碼    LOG_FILE 默認: None，在當前目錄里創(chuàng)建logging輸出文件的文件名    LOG_LEVEL 默認: 'DEBUG'，log的最低級別    LOG_STDOUT 默認: False 如果為 True，進程所有的標準輸出(及錯誤)將會被重定向到log中。例如，執(zhí)行 print "hello" ，其將會在Scrapy log中顯示。

?