Scrapy爬虫框架---CrawlSpider类

标签：val   cat   www   模块   robot   domain   正则   效果   过滤   

（1）、简介

在糗事百科爬虫中我们的爬虫是继承scrapy.Spider类的，这也是基本的scrapy框架爬虫，在这个爬虫中我们自己在解析完整个页面后再获取下一页的url,然后重新发送了一个请求，而使用CrawlsSpider类可以帮助我们对url提出条件，只要满足这个条件，都进行爬取，CrawlSpider类继承自Spider，它比之前的Spider增加了新功能，即可以定义url的爬取规则，而不用手动的yield Request。

（2）、创建CrawlSpider爬虫

scrapy genspider -t crawl + 爬虫名 + 主域名

（3）、CrawlSpider中的主要模块介绍

1、LinkExtractors链接提取器（找到满足规则的url进行爬取）

class crapy.linkextractors.lxmlhtml.LxmlLinkExtractor(allow=(), deny=(), allow_domains=(), deny_domains=(), deny_extensions=None, restrict_xpaths=(), restrict_css=(), tags=(‘a‘, ‘area‘), attrs=(‘href‘, ), canonicalize=True, unique=True, process_value=None)

主要参数介绍：

allow:允许的url，所有满足这个正则表达式的url都会被提取

deny:禁止的url,所有满足这个正则表达式的url都不会被提取

allow_domains:允许的域名，在域名中的url才会被提取

deny_domains:禁止的域名，在域名中的url不会被提取

restrict_xpaths:使用xpath提取

restrict_css:使用css提取

2、Rule规则类

 class scrapy.contrib.spiders.Rule(link_extractor,callback=None,cb_kwargs=None,follow=None,process_links=None,process_request=None)

主要参数介绍：

link_extractor:一个LinkExtractor对象，用来定义爬取规则

callback:回调函数

follow:从response中提取的url如满足条件是否进行跟进

process_links：从link_extractor中获取到的链接首先会传递给该函数，主要用来过滤掉无用的链接

（4）、实验（微信小程序社区爬虫）

1、目标站点选取（http://www.wxapp-union.com/portal.php?mod=list&catid=2&page=1）

2、创建项目和爬虫

scrapy startproject weixin_app---cd weixin_app---scrapy genspider -t crawl spider wxapp-union.com

观察一下发现spider.py文件已改变了

3、编写代码

改写settings.py

禁止遵循robots协议

设置请求头

设置爬取延迟

开启pipeline

改写items.py

改写pipeline.py

改写spiders.py

（5）、运行效果展示（只贴出了第一条数据）

（6）、总结

1、CrawlSpider主要使用LinkExtractor 和 Rule

2、注意事项：allow设置方法：限定在我们想要的url上，不要与其他url产生相同的正则表达式，follow设置方法：在爬取页面的时候需要将满足条件的url进行跟进，设置为True，callback设置方法：在获取详情信息的页面需指定callback，而对于只要获取url,而不要具体数据的情况则不需要指定该参数。

Scrapy爬虫框架---CrawlSpider类

标签：val   cat   www   模块   robot   domain   正则   效果   过滤   

原文地址：https://www.cnblogs.com/518894-lu/p/9171755.html