Python爬蟲(chóng)Scrapy框架CrawlSpider原理及使用案例
提問(wèn):如果想要通過(guò)爬蟲(chóng)程序去爬取”糗百“全站數(shù)據(jù)新聞數(shù)據(jù)的話,有幾種實(shí)現(xiàn)方法?
方法一:基于Scrapy框架中的Spider的遞歸爬去進(jìn)行實(shí)現(xiàn)的(Request模塊回調(diào))
方法二:基于CrawlSpider的自動(dòng)爬去進(jìn)行實(shí)現(xiàn)(更加簡(jiǎn)潔和高效)
一、簡(jiǎn)單介紹CrawlSpider
CrawlSpider其實(shí)是Spider的一個(gè)子類,除了繼承到Spider的特性和功能外,還派生除了其自己獨(dú)有的更加強(qiáng)大的特性和功能。其中最顯著的功能就是”LinkExtractors鏈接提取器“。Spider是所有爬蟲(chóng)的基類,其設(shè)計(jì)原則只是為了爬取start_url列表中網(wǎng)頁(yè),而從爬取到的網(wǎng)頁(yè)中提取出的url進(jìn)行繼續(xù)的爬取工作使用CrawlSpider更合適。
二、使用
1.創(chuàng)建scrapy工程(cmd切換到要?jiǎng)?chuàng)建項(xiàng)目的文件夾下執(zhí)行):scrapy startproject projectName (如:scrapy startproject crawlPro)
2.創(chuàng)建爬蟲(chóng)文件(cmd切換到創(chuàng)建的項(xiàng)目下執(zhí)行):scrapy genspider -t crawl spiderName www.xxx.com (如:scrapy genspider -t crawl crawlDemo www.qiushibaike.com)
--此指令對(duì)比以前的指令多了 "-t crawl",表示創(chuàng)建的爬蟲(chóng)文件是基于CrawlSpider這個(gè)類的,而不再是Spider這個(gè)基類。
3.啟動(dòng)爬蟲(chóng)文件(cmd基于步驟二的路徑執(zhí)行):scrapy crawl crawlDemo (啟動(dòng)的一定是name對(duì)應(yīng)的值,如果爬蟲(chóng)文件與name的值不一致,任然以name的值進(jìn)行啟動(dòng))
觀察生成的爬蟲(chóng)文件
crawlDemo.py
# -*- coding: utf-8 -*- import scrapy # 導(dǎo)入CrawlSpider相關(guān)模塊 from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule # 表示該爬蟲(chóng)程序是基于CrawlSpider類的 class CrawldemoSpider(CrawlSpider): name = 'crawlDemo' #爬蟲(chóng)文件名稱 #allowed_domains = ['www.qiushibaike.com'] start_urls = ['http://www.qiushibaike.com/'] #連接提取器:會(huì)去起始url響應(yīng)回來(lái)的頁(yè)面中提取指定的url link = LinkExtractor(allow=r'/8hr/page/\d+') #rules元組中存放的是不同的規(guī)則解析器(封裝好了某種解析規(guī)則) rules = ( #規(guī)則解析器:可以將連接提取器提取到的所有連接表示的頁(yè)面進(jìn)行指定規(guī)則(回調(diào)函數(shù))的解析 Rule(link, callback='parse_item', follow=True), ) # 解析方法 def parse_item(self, response): #print(response.url) divs = response.xpath('//div[@id="content-left"]/div') for div in divs: author = div.xpath('./div[@class="author clearfix"]/a[2]/h2/text()').extract_first() print(author)
CrawlSpider類和Spider類的最大不同是CrawlSpider多了一個(gè)rules屬性,其作用是定義”提取動(dòng)作“。在rules中可以包含一個(gè)或多個(gè)Rule對(duì)象,在Rule對(duì)象中包含了LinkExtractor對(duì)象?!?/p>
三、生成的爬蟲(chóng)文件參數(shù)介紹
3.1 LinkExtractor:顧名思義,鏈接提取器。
LinkExtractor(
allow=r'Items/',# 滿足括號(hào)中“正則表達(dá)式”的值會(huì)被提取,如果為空,則全部匹配。
deny=xxx, # 滿足正則表達(dá)式的則不會(huì)被提取。
restrict_xpaths=xxx, # 滿足xpath表達(dá)式的值會(huì)被提取
restrict_css=xxx, # 滿足css表達(dá)式的值會(huì)被提取
deny_domains=xxx, # 不會(huì)被提取的鏈接的domains。
)
- 作用:提取response中符合規(guī)則的鏈接?!?/p>
3.2 Rule : 規(guī)則解析器。根據(jù)鏈接提取器中提取到的鏈接,根據(jù)指定規(guī)則提取解析器鏈接網(wǎng)頁(yè)中的內(nèi)容。
Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True)
- 參數(shù)介紹:
參數(shù)1:指定鏈接提取器
參數(shù)2:指定規(guī)則解析器解析數(shù)據(jù)的規(guī)則(回調(diào)函數(shù))
參數(shù)3:是否將鏈接提取器繼續(xù)作用到鏈接提取器提取出的鏈接網(wǎng)頁(yè)中。當(dāng)callback為None,參數(shù)3的默認(rèn)值為true。
3.3 rules=( ):指定不同規(guī)則解析器。一個(gè)Rule對(duì)象表示一種提取規(guī)則。
3.4 CrawlSpider整體爬取流程:
a)爬蟲(chóng)文件首先根據(jù)起始url,獲取該url的網(wǎng)頁(yè)內(nèi)容
b)鏈接提取器會(huì)根據(jù)指定提取規(guī)則將步驟a中網(wǎng)頁(yè)內(nèi)容中的鏈接進(jìn)行提取
c)規(guī)則解析器會(huì)根據(jù)指定解析規(guī)則將鏈接提取器中提取到的鏈接中的網(wǎng)頁(yè)內(nèi)容根據(jù)指定的規(guī)則進(jìn)行解析
d)將解析數(shù)據(jù)封裝到item中,然后提交給管道進(jìn)行持久化存儲(chǔ)
四、基于CrawlSpider示例
創(chuàng)建爬蟲(chóng)項(xiàng)目和啟動(dòng)爬蟲(chóng)項(xiàng)目以及settings中配置自行完成,在這里不在追贅述
4.1爬蟲(chóng)文件
# -*- coding: utf-8 -*- import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from qiubaiBycrawl.items import QiubaibycrawlItem import re class QiubaitestSpider(CrawlSpider): name = 'qiubaiTest' #起始url start_urls = ['http://www.qiushibaike.com/'] #定義鏈接提取器,且指定其提取規(guī)則 page_link = LinkExtractor(allow=r'/8hr/page/\d+/') rules = ( #定義規(guī)則解析器,且指定解析規(guī)則通過(guò)callback回調(diào)函數(shù) Rule(page_link, callback='parse_item', follow=True), ) #自定義規(guī)則解析器的解析規(guī)則函數(shù) def parse_item(self, response): div_list = response.xpath('//div[@id="content-left"]/div') for div in div_list: #定義item item = QiubaibycrawlItem() #根據(jù)xpath表達(dá)式提取糗百中段子的作者 item['author'] = div.xpath('./div/a[2]/h2/text()').extract_first().strip('\n') #根據(jù)xpath表達(dá)式提取糗百中段子的內(nèi)容 item['content'] = div.xpath('.//div[@class="content"]/span/text()').extract_first().strip('\n') yield item #將item提交至管道
4.2items文件
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # https://doc.scrapy.org/en/latest/topics/items.html import scrapy class QiubaibycrawlItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() author = scrapy.Field() #作者 content = scrapy.Field() #內(nèi)容
4.3管道文件
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html class QiubaibycrawlPipeline(object): def __init__(self): self.fp = None def open_spider(self,spider): print('開(kāi)始爬蟲(chóng)') self.fp = open('./data.txt','w') def process_item(self, item, spider): #將爬蟲(chóng)文件提交的item寫(xiě)入文件進(jìn)行持久化存儲(chǔ) self.fp.write(item['author']+':'+item['content']+'\n') return item def close_spider(self,spider): print('結(jié)束爬蟲(chóng)') self.fp.close()
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
python爬蟲(chóng)實(shí)現(xiàn)獲取下一頁(yè)代碼
在本篇文章里小編給大家整理了關(guān)于python爬蟲(chóng)實(shí)現(xiàn)獲取下一頁(yè)代碼內(nèi)容,需要的朋友們可以參考學(xué)習(xí)下。2020-03-03Django的分頁(yè)器實(shí)例(paginator)
下面小編就為大家分享一篇Django的分頁(yè)器實(shí)例(paginator),具有很好的參考價(jià)值,希望對(duì)大家有所幫助2017-12-12python進(jìn)階教程之循環(huán)對(duì)象
這篇文章主要介紹了python進(jìn)階教程之循環(huán)對(duì)象,循環(huán)對(duì)象是這樣一個(gè)對(duì)象,它包含有一個(gè)next()方法,這個(gè)方法的目的是進(jìn)行到下一個(gè)結(jié)果,需要的朋友可以參考下2014-08-08Python3從零開(kāi)始搭建一個(gè)語(yǔ)音對(duì)話機(jī)器人的實(shí)現(xiàn)
這篇文章主要介紹了Python3從零開(kāi)始搭建一個(gè)語(yǔ)音對(duì)話機(jī)器人的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-08-08Python實(shí)現(xiàn)從百度API獲取天氣的方法
這篇文章主要介紹了Python實(shí)現(xiàn)從百度API獲取天氣的方法,實(shí)例分析了Python操作百度API的技巧,具有一定參考借鑒價(jià)值,需要的朋友可以參考下2015-03-03python實(shí)現(xiàn)有效的括號(hào)判斷實(shí)例代碼
這篇文章主要給大家介紹了關(guān)于python實(shí)現(xiàn)有效的括號(hào)判斷的相關(guān)資料,文中通過(guò)實(shí)例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2022-01-01