Scrapy框架利用CrawlSpider创建自动爬虫

一、适用条件

   可以对有规律或者无规律的网站进行自动爬取

 二、代码讲解 

 (1)创健scrapy项目

[python] view
plain copy

E:myweb>scrapy startproject mycwpjt  

New Scrapy project 'mycwpjt', using template directory 'd:\\python35\\lib\\site-packages\\scrapy\\templates\\project', created in:  

    D:\Python35\myweb\part16\mycwpjt  

You can start your first spider with:  

    cd mycwpjt  

    scrapy genspider example example.com  

 (2) 创健爬虫

[python] view
plain copy

E:\myweb>scrapy genspider -t crawl weisuen sohu.com  

Created spider 'weisuen' using template 'crawl' in module:  

  Mycwpjt.spiders.weisuen  

(3)item编写

[python] view
plain copy

# -*- coding: utf-8 -*-  

  

# Define here the models for your scraped items  

#  

# See documentation in:  

# http://doc.scrapy.org/en/latest/topics/items.html  

  

import scrapy  

  

  

class MycwpjtItem(scrapy.Item):  

    # define the fields for your item here like:  

    name = scrapy.Field()  

    link = scrapy.Field()  

(4)pipeline编写

[python] view
plain copy

# -*- coding: utf-8 -*-  

  

# Define your item pipelines here  

#  

# Don't forget to add your pipeline to the ITEM_PIPELINES setting  

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html  

  

  

class MycwpjtPipeline(object):  

    def process_item(self, item, spider):  

        print(item["name"])  

        print(item["link"])  

        return item  

(5)settings设置

[python] view
plain copy

ITEM_PIPELINES = {  

   'mycwpjt.pipelines.MycwpjtPipeline': 300,  

}  

(6)爬虫编写

[python] view
plain copy

# -*- coding: utf-8 -*-  

import scrapy  

from scrapy.linkextractors import LinkExtractor  

from scrapy.spiders import CrawlSpider, Rule  

from mycwpjt.items import MycwpjtItem  

  

#显示可用的模板              scrapy genspider -l  

#利用crawlspider创建的框架  scrapy genspider -t crawl weisun sohu.com  

#开始爬取                   scrapy crawl weisun --nolog  

  

class WeisunSpider(CrawlSpider):  

    name = 'weisun'  

    allowed_domains = ['sohu.com']  

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

  

    rules = (  

        # 新闻网页的url地址类似于：  

        # “http://news.sohu.com/20160926/n469167364.shtml”  

        # 所以可以得到提取的正则表达式为'.*?/n.*?shtml’  

        Rule(LinkExtractor(allow=('.*?/n.*?shtml'), allow_domains=('sohu.com')), callback='parse_item', follow=True),  

    )  

  

    def parse_item(self, response):  

        i = MycwpjtItem()  

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

        # 根据Xpath表达式提取新闻网页中的标题  

        i["name"] = response.xpath("/html/head/title/text()").extract()  

        # 根据Xpath表达式提取当前新闻网页的链接  

        i["link"] = response.xpath("//link[@rel='canonical']/@href").extract()  

        return i  

     CrawlSpider是爬取那些具有一定规则网站的常用的爬虫，它基于Spider并有一些独特属性
rules: 是Rule对象的集合，用于匹配目标网站并排除干扰
parse_start_url: 用于爬取起始响应，必须要返回Item，Request中的一个。

      因为rules是Rule对象的集合，所以这里介绍一下Rule。它有几个参数：link_extractor、callback=None、              cb_kwargs=None、follow=None、process_links=None、process_request=None

     其中的link_extractor既可以自己定义，也可以使用已有LinkExtractor类，主要参数为：
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。

三、结果显示