scrapy -- CrawlSpider類

CrawlSpider類是什麼？

• 是Spider的一個子類
• 區別：
  • Spider是獲取到URL進行 手動發送請求 ： yield scrapy.Request(url=new_url,callback=self.parse)
  • 是通過提取器類：LinkExtractor，提前到頁面所有符合條件的URL，然後用Rule類對符合條件的URL自動發送請求
  • 創建CrawlSpider爬蟲的命令：scrapy genspider -t crawl xxx（爬蟲名稱） www.xxxx.com（爬取的URL）

基於CrawlSpider創建的爬蟲類，代碼示例：

import scrapy
from scrapy.linkextractors import LinkExtractor  #導入url提取器的類
from scrapy.spiders import CrawlSpider, Rule     #Rule可用於自動發送請求


class XuexiSpider(CrawlSpider):
    name = 'xuexi'
    allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.xxx.com/']
    #LinkExtractor(allow=r'Items/') 該類的allow參數寫入正則匹配規則，就會按照正則去響應信息中匹配URL，當然也有別的匹配規則，比如CSS
    rules = (
        #follow為True可以自動將所有響應信息的符合的規則的url都獲取到，併發送請求
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

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

下麵也一個案例，就以爬取陽光信息網為例，代碼示例：

#1.爬蟲文件.py代碼示例：

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sunPro.items import SunproItem,DetailItem

#需求：爬取sun網站中的編號，新聞標題，新聞內容，標號
class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']

    #鏈接提取器：根據指定規則（allow="正則"）進行指定鏈接的提取
    link = LinkExtractor(allow=r'type=4&page=\d+')
    link_detail = LinkExtractor(allow=r'question/\d+/\d+\.shtml')
    rules = (
        #規則解析器：將鏈接提取器提取到的鏈接進行指定規則（callback）的解析操作
        Rule(link, callback='parse_item', follow=True),
        #follow=True：可以將鏈接提取器 繼續作用到 連接提取器提取到的鏈接 所對應的頁面中
        Rule(link_detail,callback='parse_detail')
    )
    #http://wz.sun0769.com/html/question/201907/421001.shtml
    #http://wz.sun0769.com/html/question/201907/420987.shtml

    #解析新聞編號和新聞的標題
    #如下兩個解析方法中是不可以實現請求傳參！
    #如法將兩個解析方法解析的數據存儲到同一個item中，可以以此存儲到兩個item
    def parse_item(self, response):
        #註意：xpath表達式中不可以出現tbody標簽
        tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr')
        for tr in tr_list:
            new_num = tr.xpath('./td[1]/text()').extract_first()
            new_title = tr.xpath('./td[2]/a[2]/@title').extract_first()
            item = SunproItem()
            item['title'] = new_title
            item['new_num'] = new_num

            yield item

    #解析新聞內容和新聞編號
    def parse_detail(self,response):
        new_id = response.xpath('/html/body/div[9]/table[1]//tr/td[2]/span[2]/text()').extract_first()
        new_content = response.xpath('/html/body/div[9]/table[2]//tr[1]//text()').extract()
        new_content = ''.join(new_content)

        # print(new_id,new_content)
        item = DetailItem()
        item['content'] = new_content
        item['new_id'] = new_id

        yield item

#2.itmes.py代碼示例：
#因為是不同頁面的數據，又不能進行參數化，所有通過兩個item類，來接收不同頁面的解析數據

import scrapy


class SunproItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    new_num = scrapy.Field()


class DetailItem(scrapy.Item):
    new_id = scrapy.Field()
    content = scrapy.Field()

#3.pipeline.py代碼示例：
#根據不同item的名字，來判斷，數據來源於哪一個item

class SunproPipeline(object):
    def process_item(self, item, spider):
        #如何判定item的類型
        #將數據寫入資料庫時，如何保證數據的一致性
        if item.__class__.__name__ == 'DetailItem':
            print(item['new_id'],item['content'])
            pass
        else:
            print(item['new_num'],item['title'])
        return item