1 Scrapy 爬虫框架组件详细介绍（二）

1.1 CrawlSpiders

20.1.1 爬虫CrawlSpiders类介绍

CrawlSpiders 类它是 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 的方便机制，从爬取的网页中获取 link，并继续爬取工作，比Spiders 类模板爬虫更加适合。

前面案例创建爬虫，使用的命令如下：

scrapy genspider tencents " tencent.com "

默认使用”basic”template(模板)去创建爬虫。

如果想创建 CrawlSpider 类爬虫，可以通过下面的命令指定 crawl 模板可以快速创建 CrawlSpider 模板的爬虫。

scrapy genspider -t crawl tencents " tencent.com "

【-t 】: 指定模板。

例子：

在 DOS 下切换到下面目录。

D:\scrapy_project\tencent\tencent\spiders

执行命令：

scrapy genspider -t crawl tencents " tencent.com "

注意：命令创建的时候,爬虫文件名不能和作业域名相同，可以创建之后再改回来。

查看生成的 tencent.py 爬虫文件。

import scrapy

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

class TencentSpider(CrawlSpider):

name = 'tencent'

allowed_domains = [' tencent.com ']

start_urls = ['http:// tencent.com /']

rules = (

Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),

)

def parse_item(self, response):

i = {}

#i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()

#i['name'] = response.xpath('//div[@id="name"]').extract()

#i['description'] = response.xpath('//div[@id="description"]').extract()

return i

从生成的 tencent.py 爬虫文件和之前的Spider基类爬虫文件比较，多了如下几部分内容：

（一）需要导入 LinkExtractor、CrawlSpider、 Rule库

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

（二）爬虫类继承的是 CrawlSpider 类

（三）增加了 rules 。

（四）增加了 LinkExtractor(allow=r'Items/')

（五）新增加了一个回调函数 parse_item(self, response)

20.1.2 CrawlSpider源码

查看CrawlSpider源码。

class CrawlSpider(Spider):

rules = ()

def __init__(self, *a, **kw):

super(CrawlSpider, self).__init__(*a, **kw)

self._compile_rules()

def parse(self, response):

return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)

def parse_start_url(self, response):

return []

def process_results(self, response, results):

return results

def _build_request(self, rule, link):

r = Request(url=link.url, callback=self._response_downloaded)

r.meta.update(rule=rule, link_text=link.text)

return r

def _requests_to_follow(self, response):

if not isinstance(response, HtmlResponse):

return

seen = set()

for n, rule in enumerate(self._rules):

links = [lnk for lnk in rule.link_extractor.extract_links(response)

if lnk not in seen]

if links and rule.process_links:

links = rule.process_links(links)

for link in links:

seen.add(link)

r = self._build_request(n, link)

yield rule.process_request(r)

def _response_downloaded(self, response):

rule = self._rules[response.meta['rule']]

return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)

def _parse_response(self, response, callback, cb_kwargs, follow=True):

if callback:

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

if follow and self._follow_links:

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, six.string_types):

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)

@classmethod

def from_crawler(cls, crawler, *args, **kwargs):

spider = super(CrawlSpider, cls).from_crawler(crawler, *args, **kwargs)

spider._follow_links = crawler.settings.getbool(

'CRAWLSPIDER_FOLLOW_LINKS', True)

return spider

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 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。

20.1.3 LinkExtractors

【class scrapy.linkextractors.LinkExtractor】

Link 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：

【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 domains。

【deny_domains】：一定不会被提取链接的 domains。

【restrict_xpaths】：使用 xpath 表达式，和 allow 共同作用过滤链接。

20.1.4 rules

from scrapy.spiders import Rule

查看 Rule 方法实现的源码。

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

)

主要参数：

【link_extractor】：是一个 Link Extractor 对象，用于定义需要提取的链接。

【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。

【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。

【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。

【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 )

20.1.5 爬取规则( Crawling rules )

为了弄清楚爬取规则( Crawling rules )的实现过程，我们以腾讯招聘为例，使用 Scrapy Shell 交互终端一步一步展现实现的过程。

第一步：进入项目的根目录。

D:\scrapy_project\tencent\tencent

执行下列命令来调用 Scrapy Shell 交互终端，发送请求。

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

第二步：分析腾讯招聘网站的招聘信息的分页 URL 链接。

position.php?&start=20

position.php?&start=30

position.php?&start=40

position.php?&start=50

position.php?&start=60

每个链接组合 https://hr.tencent.com/ 就是一个完整的腾讯招聘网站的招聘信息的分页 URL 链接地址。

我们要做的就是通过正则表达式把页面里的链接（position.php?&start=20

…）提取出来。

page_lx = LinkExtractor(allow=('position.php?&start=\d+'))

第三步：获取请求响应的内容。

【response.body】

【response.text】

通常是使用 response.text 显示的是 Unicode 完整的字符串，便于匹配，一般情况，只是打印内容的时候，使用 response.body，需要解析请求的内容时，就使用：response.text。

第四步：导入 LinkExtractor，创建 LinkExtractor 实例对象。

from scrapy.linkextractors import LinkExtractor

page_lx = LinkExtractor(allow=('position.php?&start=\d+'))

allow : 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), 它会匹配所有的链接?

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?

第五步：调用 LinkExtractor 实例的 extract_links() 方法查询匹配结果。

没有查到，显示为：[]

这是由于转义字符的问题引起，修改正则表达式内容，继续重新匹配：

page_lx = LinkExtractor(allow=('position\.php\?&start=\d+'))

page_lx.extract_links(response)

或者可以如下获取链接

page_lx = LinkExtractor(allow = ('start=\d+'))

page_lx.extract_links(response)

这样我们就可以获取到了所有分页的链接地址了。

20.1.6 编写Item文件

import scrapy

class TencentItem(scrapy.Item):

# define the fields for your item here like:

# 职位名

positionname = scrapy.Field()

# 详情连接

positionlink = scrapy.Field()

# 职位类别

positionType = scrapy.Field()

# 招聘人数

peopleNum = scrapy.Field()

# 工作地点

workLocation = scrapy.Field()

# 发布时间

publishTime = scrapy.Field()

20.1.7 编写爬虫文件

import scrapy,sys,os

# 导入CrawlSpider类和Rule

from scrapy.spiders import CrawlSpider, Rule

# 导入链接规则匹配类，用来提取符合规则的连接

from scrapy.linkextractors import LinkExtractor

path = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))

sys.path.append(path)

from dg_sun.items import SunItem

class SunSpider(CrawlSpider):

name = 'sun'

allowed_domains = ['wz.sun0769.com']

start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=0']

# 投诉分页链接的提取规则，返回的符合匹配规则的链接匹配对象的列表(这里提取的是分页的链接)

pagelink = LinkExtractor(allow=("start=\d+"))

# 投诉详情页内容链接的提取规则，返回的符合匹配规则的链接匹配对象的列表

Details = LinkExtractor(allow=r'/html/question/\d+/\d+.shtml')

#多条 Rule

rules = (

# 提取匹配,并跟进链接(没有 callback 意味着 follow 默认为 True )

Rule(pagelink),

Rule(Details, callback = 'parse_item',follow = True),

)

# 指定的回调函数

def parse_item(self, response):

item = SunItem()

#标题

item['title'] = response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()').extract()[0]

# 编号

item['id'] = item['title'].split(' ')[-1].split(":")[-1]

# 内容

item['content'] = response.xpath('//div[@class="c1 text14_2"]/text()').extract()[0]

# 链接

item['url'] = response.url

yield item注意：callback 千万不能写 parse()方法，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。

20.1.8 编写管道文件

import json

class TencentPipeline(object):

def __init__(self):

self.filename = open("tencent.json", "wb")

def process_item(self, item, spider):

text = json.dumps(dict(item), ensure_ascii = False) + ",\n"

self.filename.write(text.encode("utf-8"))

return item

def close_spider(self, spider):

self.filename.close()

管道文件跟之前案例的写法一样，没有变化。

20.1.9 修改 settings 文件

在 settings.py 文件配置里指定刚才编写的管道文件名：TencentPipeline。

下载的数据比较多，需要设定一个下载延时时间，以免下载的数据不全。

设置爬虫请求的默认头信息。

20.1.10 运行爬虫

在 dos下切换到目录

D:\scrapy_project\tencent\tencent\ 下

通过命令运行爬虫 ：scrapy crawl tencent

20.1.11查看爬取的结果

查看新建的 tencent.json 数据文件。

1.2 Logging 日志

Scrapy 提供了 log 功能，可以通过 logging 模块使用。

如果我们想把爬虫的输入日志保存到本地，需要在 settings.py 文件里进行设置。

# 保存日志信息的文件名

LOG_FILE = "tencent_log.log"

# 保存日志等级的设置，LOG_LEVEL（可选的级别有: CRITICAL、 ERROR、WARNING、INFO 、DEBUG ）（从高到底）

LOG_LEVEL = " DEBUG "

设置完成之后，重新运行爬虫，结果显示如下。

【Log levels】

Scrapy 提供 5 层 logging 级别:

CRITICAL - 严重错误( critical )。

ERROR - 一般错误(regular errors )。

WARNING - 警告信息( warning messages )。

INFO - 一般信息( informational messages )。

DEBUG - 调试信息( debugging messages )。

【logging设置】

通过在 setting.py 中进行以下设置可以被用来配置 logging:

LOG_ENABLED 默认: True，启用logging

LOG_ENCODING 默认: 'utf-8'，logging 使用的编码

LOG_FILE 默认: None，在当前目录里创建 logging 输出文件的文件名

LOG_LEVEL 默认: 'DEBUG'，log 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)将会被重定向到 log中。