當前位置：首頁 > 人文社科 > 生活经验 >内容正文

生活经验

Python:CrawlSpiders

發布時間：2023/11/28 生活经验 40 豆豆

生活随笔收集整理的這篇文章主要介紹了 Python:CrawlSpiders 小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

通過下面的命令可以快速創建 CrawlSpider模板的代碼：

scrapy genspider -t crawl tencent tencent.com

上一個案例中，我們通過正則表達式，制作了新的url作為Request請求參數，現在我們可以換個花樣...

class scrapy.spiders.CrawlSpider

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

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()函數處理，并設置回調函數為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'規則'的鏈接，并構造成Resquest對象返回def _requests_to_follow(self, response):if not isinstance(response, HtmlResponse):returnseen = set()#抽取之內的所有鏈接，只要通過任意一個'規則'，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，并設置回調函數為_repsonse_downloaded()for link in links:seen.add(link)#構造Request對象，并將Rule規則中定義的回調函數作為這個Request對象的回調函數r = Request(url=link.url, callback=self._response_downloaded)r.meta.update(rule=n, link_text=link.text)#對每個Request調用process_request()函數。該函數默認為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requestdef _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函數。（該回調函數可能是rule中的解析函數，也可能是 parse_start_url函數）#如果設置了回調函數（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調用的，則會解析成Request對象#如果是rule callback，則會解析成Itemcb_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_itemdef _compile_rules(self):def get_method(method):if callable(method):return methodelif 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 方法會根據不同的 response 調用多次提取鏈接｡

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：

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，則根據規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，參數所指定的值作為回調函數，該回調函數接受一個response作為其第一個參數。

注意：當編寫爬蟲規則時，避免使用parse作為回調函數。由于CrawlSpider使用parse方法來實現其邏輯，如果覆蓋了 parse方法，crawl spider將會運行失敗。
follow：是一個布爾(boolean)值，指定了根據該規則從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中哪個的函數將會被調用，從link_extractor中獲取到鏈接列表時將會調用該函數。該方法主要用來過濾。
process_request：指定該spider中哪個的函數將會被調用，該規則提取到每個request時都會調用該函數。 (用來過濾request)

爬取規則(Crawling rules)

繼續用騰訊招聘為例，給出配合rule使用CrawlSpider的例子:

首先運行

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

導入LinkExtractor，創建LinkExtractor實例對象。：
```
 from scrapy.linkextractors import LinkExtractorpage_lx = LinkExtractor(allow=('position.php?&start=\d+'))
```
allow : LinkExtractor對象最重要的參數之一，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)｡它的優先級高于 allow 的參數，如果沒有給出(或None), 將不排除任何鏈接｡
調用LinkExtractor實例的extract_links()方法查詢匹配結果：
```
 page_lx.extract_links(response)
```
沒有查到：
```
 []
```

注意轉義字符的問題，繼續重新匹配：

 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)
]

這么寫對嗎？

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

#tencent.pyimport scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from 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,publishTimeitem = 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

運行：?scrapy crawl tencent

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，執行 print "hello" ，其將會在Scrapy log中顯示。

總結

以上是生活随笔為你收集整理的Python:CrawlSpiders的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。