周日学习小结
我们再来看一下相较于 scrapy.Spider 类更为强大的 CrawlSpider 类。
CrawlSpider 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。
源码参考
1class CrawlSpider(Spider): 2rules = () 3def__init__(self, *a, **kw): 4super(CrawlSpider, self).__init__(*a, **kw) 5 self._compile_rules() 6 7#首先调用parse()来处理start_urls中返回的response对象 8#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() 9#设置了跟进标志位True10#parse将返回item和跟进了的Request对象 11def parse(self, response):12returnself._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)1314#处理start_url中返回的response,需要重写15def parse_start_url(self, response):16return []1718def process_results(self, response, results):19return results2021#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22def _requests_to_follow(self, response):23ifnot isinstance(response, HtmlResponse):24return25seen = set()26#抽取之内的所有链接,只要通过任意一个'规则',即表示合法27forn, rulein enumerate(self._rules):28links = [lforlinrule.link_extractor.extract_links(response)iflnotin seen]29#使用用户指定的process_links处理每个连接30iflinksand rule.process_links:31links = rule.process_links(links)32#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()33forlinkin links:34 seen.add(link)35#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36r = Request(url=link.url, callback=self._response_downloaded)37r.meta.update(rule=n, link_text=link.text)38#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.39yield rule.process_request(r)4041#处理通过rule提取出的连接,并返回item以及request42def _response_downloaded(self, response):43rule = self._rules[response.meta['rule']]44return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)4546#解析response对象,会用callback解析处理他,并返回request或Item对象47def_parse_response(self, response, callback, cb_kwargs, follow=True):48#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)49#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,50#然后再交给process_results处理。返回cb_res的一个列表51if callback:52#如果是parse调用的,则会解析成Request对象53#如果是rule callback,则会解析成Item54cb_res = callback(response, **cb_kwargs)or ()55cb_res = self.process_results(response, cb_res)56forrequests_or_itemin iterate_spider_output(cb_res):57yield requests_or_item5859#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60iffollowand self._follow_links:61#返回每个Request对象62forrequest_or_itemin self._requests_to_follow(response):63yield request_or_item6465def _compile_rules(self):66def get_method(method):67if callable(method):68return method69elif isinstance(method, basestring):70return getattr(self, method, None)7172self._rules = [copy.copy(r)forrin self.rules]73forrulein self._rules:74rule.callback = get_method(rule.callback)75rule.process_links = get_method(rule.process_links)76rule.process_request = get_method(rule.process_request)7778def set_crawler(self, crawler):79 super(CrawlSpider, self).set_crawler(crawler)80self._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:
LinkExtractors
from scrapy.linkextractors import 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。
1class scrapy.linkextractors.LinkExtractor( 2allow = (), 3deny = (), 4allow_domains = (), 5deny_domains = (), 6deny_extensions = None, 7restrict_xpaths = (), 8tags = ('a','area'), 9attrs = ('href'),10canonicalize = True,11unique = True,12process_value = None13)
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。
rules
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。
1class scrapy.spiders.Rule(2 link_extractor, 3callback = None, 4cb_kwargs = None, 5follow = None, 6process_links = None, 7process_request = None8)
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)