python爬蟲之Scrapy框架(CrawlSpider)

提問：如果想要通過爬蟲程序去爬取”糗百“全站數據新聞數據的話，有幾種實現方法？

方法一：基於Scrapy框架中的Spider的遞歸爬去進行實現的(Request模塊回調)

方法二：基於CrawlSpider的自動爬去進行實現(更加簡潔和高效)

一、簡單介紹CrawlSpider

　　CrawlSpider其實是Spider的一個子類，除了繼承到Spider的特性和功能外，還派生除了其自己獨有的更加強大的特性和功能。其中最顯著的功能就是”LinkExtractors鏈接提取器“。Spider是所有爬蟲的基類，其設計原則只是為了爬取start_url列表中網頁，而從爬取到的網頁中提取出的url進行繼續的爬取工作使用CrawlSpider更合適。

二、使用

　　1.創建scrapy工程(cmd切換到要創建項目的文件夾下執行)：scrapy startproject projectName       （如：scrapy startproject  crawlPro）

　　2.創建爬蟲文件(cmd切換到創建的項目下執行)：scrapy genspider -t crawl spiderName www.xxx.com     (如：scrapy genspider -t crawl crawlDemo www.qiushibaike.com)

　　　　--此指令對比以前的指令多了 "-t crawl"，表示創建的爬蟲文件是基於CrawlSpider這個類的，而不再是Spider這個基類。

　　3.啟動爬蟲文件(cmd基於步驟二的路徑執行)：scrapy crawl crawlDemo     (啟動的一定是name對應的值，如果爬蟲文件與name的值不一致，任然以name的值進行啟動)

觀察生成的爬蟲文件

crawlDemo.py

# -*- coding: utf-8 -*-
import scrapy
# 導入CrawlSpider相關模塊
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

# 表示該爬蟲程序是基於CrawlSpider類的
class CrawldemoSpider(CrawlSpider):
    name = 'crawlDemo'    #爬蟲文件名稱
    #allowed_domains = ['www.qiushibaike.com']
    start_urls = ['http://www.qiushibaike.com/']
    
    #連接提取器：會去起始url響應回來的頁面中提取指定的url
    link = LinkExtractor(allow=r'/8hr/page/\d+')
    #rules元組中存放的是不同的規則解析器（封裝好了某種解析規則)
    rules = (
        #規則解析器：可以將連接提取器提取到的所有連接表示的頁面進行指定規則（回調函數）的解析
        Rule(link, callback='parse_item', follow=True),
    )
    # 解析方法
    def parse_item(self, response):
        #print(response.url)
        divs = response.xpath('//div[@id="content-left"]/div')
        for div in divs:
            author = div.xpath('./div[@class="author clearfix"]/a[2]/h2/text()').extract_first()
            print(author)

　　CrawlSpider類和Spider類的最大不同是CrawlSpider多了一個rules屬性，其作用是定義”提取動作“。在rules中可以包含一個或多個Rule對象，在Rule對象中包含了LinkExtractor對象。　

三、生成的爬蟲文件參數介紹

3.1 LinkExtractor：顧名思義，鏈接提取器。

　　　　LinkExtractor(

　　　　　　　  allow=r'Items/'，# 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=xxx,  # 滿足正則表達式的則不會被提取。

 

　　　　　　　　 restrict_xpaths=xxx, # 滿足xpath表達式的值會被提取

　　　　　　　　 restrict_css=xxx, # 滿足css表達式的值會被提取

　　　　　　　　 deny_domains=xxx, # 不會被提取的鏈接的domains。　

　　 )

　　　　- 作用：提取response中符合規則的鏈接。　

3.2 Rule : 規則解析器。根據鏈接提取器中提取到的鏈接，根據指定規則提取解析器鏈接網頁中的內容。

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

　　　　- 參數介紹：

　　　　　　參數1：指定鏈接提取器

　　　　　　參數2：指定規則解析器解析數據的規則（回調函數）

　　　　　　參數3：是否將鏈接提取器繼續作用到鏈接提取器提取出的鏈接網頁中。當callback為None,參數3的默認值為true。

3.3 rules=( ):指定不同規則解析器。一個Rule對象表示一種提取規則。

3.4 CrawlSpider整體爬取流程：

　　　　a)爬蟲文件首先根據起始url，獲取該url的網頁內容

　　　　b)鏈接提取器會根據指定提取規則將步驟a中網頁內容中的鏈接進行提取

　　　　c)規則解析器會根據指定解析規則將鏈接提取器中提取到的鏈接中的網頁內容根據指定的規則進行解析

　　　　d)將解析數據封裝到item中，然后提交給管道進行持久化存儲

四、基於CrawlSpider示例

創建爬蟲項目和啟動爬蟲項目以及settings中配置自行完成，在這里不在追贅述

4.1爬蟲文件

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from qiubaiBycrawl.items import QiubaibycrawlItem
import re
class QiubaitestSpider(CrawlSpider):
    name = 'qiubaiTest'
    #起始url
    start_urls = ['http://www.qiushibaike.com/']

    #定義鏈接提取器，且指定其提取規則
    page_link = LinkExtractor(allow=r'/8hr/page/\d+/')
    
    rules = (
        #定義規則解析器，且指定解析規則通過callback回調函數
        Rule(page_link, callback='parse_item', follow=True),
    )

    #自定義規則解析器的解析規則函數
    def parse_item(self, response):
        div_list = response.xpath('//div[@id="content-left"]/div')
        
        for div in div_list:
            #定義item
            item = QiubaibycrawlItem()
            #根據xpath表達式提取糗百中段子的作者
            item['author'] = div.xpath('./div/a[2]/h2/text()').extract_first().strip('\n')
            #根據xpath表達式提取糗百中段子的內容
            item['content'] = div.xpath('.//div[@class="content"]/span/text()').extract_first().strip('\n')

            yield item #將item提交至管道

4.2items文件

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class QiubaibycrawlItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    author = scrapy.Field() #作者
    content = scrapy.Field() #內容

4.3管道文件

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

class QiubaibycrawlPipeline(object):
    
    def __init__(self):
        self.fp = None
        
    def open_spider(self,spider):
        print('開始爬蟲')
        self.fp = open('./data.txt','w')
        
    def process_item(self, item, spider):
        #將爬蟲文件提交的item寫入文件進行持久化存儲
        self.fp.write(item['author']+':'+item['content']+'\n')
        return item
    
    def close_spider(self,spider):
        print('結束爬蟲')
        self.fp.close()