Python的Scrapy框架中的CrawlSpider介绍和使用

 更新时间:2023年12月06日 10:22:37   作者:凌冰_  
这篇文章主要介绍了Python的Scrapy框架中的CrawlSpider介绍和使用,CrawlSpider其实是Spider的一个子类,除了继承到Spider的特性和功能外,还派生除了其自己独有的更加强大的特性和功能,其中最显著的功能就是"LinkExtractors链接提取器",需要的朋友可以参考下

一、介绍CrawlSpider

CrawlSpider其实是Spider的一个子类,除了继承到Spider的特性和功能外,还派生除了其自己独有的更加强大的特性和功能。其中最显著的功能就是”LinkExtractors链接提取器“。

Spider是所有爬虫的基类,其设计原则只是为了爬取start_url列表中网页,而从爬取到的网页中提取出的url进行继续的爬取工作使用CrawlSpider更合适。

源码:

class CrawlSpider(Spider):
    rules = ()
    def __init__(self, *a, **kw):
        super(CrawlSpider, self).__init__(*a, **kw)
        self._compile_rules()
    #首先调用parse()来处理start_urls中返回的response对象
    #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()
    #设置了跟进标志位True
    #parse将返回item和跟进了的Request对象    
    def parse(self, response):
        return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)
    #处理start_url中返回的response,需要重写
    def parse_start_url(self, response):
        return []
    def process_results(self, response, results):
        return results
    #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
    def _requests_to_follow(self, response):
        if not isinstance(response, HtmlResponse):
            return
        seen = set()
        #抽取之内的所有链接,只要通过任意一个'规则',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]
            #使用用户指定的process_links处理每个连接
            if links and rule.process_links:
                links = rule.process_links(links)
            #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()
            for link in links:
                seen.add(link)
                #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
                r = Request(url=link.url, callback=self._response_downloaded)
                r.meta.update(rule=n, link_text=link.text)
                #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.
                yield rule.process_request(r)
    #处理通过rule提取出的连接,并返回item以及request
    def _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对象,会用callback解析处理他,并返回request或Item对象
    def _parse_response(self, response, callback, cb_kwargs, follow=True):
        #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)
        #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,
        #然后再交给process_results处理。返回cb_res的一个列表
        if callback:
            #如果是parse调用的,则会解析成Request对象
            #如果是rule callback,则会解析成Item
            cb_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
        #如果需要跟进,那么使用定义的Rule规则提取并返回这些Request对象
        if follow and self._follow_links:
            #返回每个Request对象
            for request_or_item in self._requests_to_follow(response):
                yield request_or_item
    def _compile_rules(self):
        def get_method(method):
            if callable(method):
                return method
            elif 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)

文档:Spiders — Scrapy 2.9.0 documentation

二、框架搭建

1.创建scrapy框架工程

scrapy startproject Meitou

2.进入工程目录

cd Meitou

3.创建爬虫文件

scrapy genspider -t crawl 爬虫任务名称 爬取的范围域

scrapy genspider -t crawl crawl_yjin xx.com

此指令对比以前指令多了"-t crawl",表示创建的爬虫文件是基于CrawlSpider这个类的,而不再是Spider这个基类。

4.启动爬虫文件

scrapy crawl crawl_yjin --nolog

(一)、查看生成的爬虫文件:

Rule(规则): 规范url构造请求对象的规则

LinkExtractor(链接提取器):规范url的提取范围

CrawlSpider:是一个类模板,继承自Spider,功能就更加的强大

(二)、查看LinkExtractor源码:

LinkExtractor 链接提取器

作用:提取response中符合规则的链接。

主要参数含义:

  • LinkExtractor:规范url提取可用的部分
  • 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=():允许的范围域
  • deny_domains=(): 不允许的范围域
  • restrict_xpaths=(): 使用xpath表达式,和allow共同作用过滤链接(只选到节点,不选到属性)
  • tags=('a', 'area'): 指定标签
  • attrs=('href',): 指定属性

(三)、查看Rule源码:

Rule : 规则解析器。根据链接提取器中提取到的链接,根据指定规则提取解析器链接网页中的内容

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

主要参数含义:

  • link_extractor为LinkExtractor,用于定义需要提取的链接
  • callback参数:当link_extractor获取到链接时参数所指定的值作为回调函数
  • callback参数使用注意:  当编写爬虫规则时,请避免使用parse作为回调函数。于CrawlSpider使用parse方法来实现其逻辑,如果您覆盖了parse方法,crawlspider将会运行失败
  • follow:指定了根据该规则从response提取的链接是否需要跟进。 当callback为None,默认值为True
  • process_links:主要用来过滤由link_extractor获取到的链接
  • process_request:主要用来过滤在rule中提取到的request

rules=( ):指定不同规则解析器。一个Rule对象表示一种提取规则。

(四)、CrawlSpider整体爬取流程:

(a) 爬虫文件首先根据起始url,获取该url的网页内容

(b) 链接提取器会根据指定提取规则将步骤a中网页内容中的链接进行提取

(c) 规则解析器会根据指定解析规则将链接提取器中提取到的链接中的网页内容根据指定的规则进行解析

(d) 将解析数据封装到item中,然后提交给管道进行持久化存储

三、基于CrawlSpider使用

(1)spider爬虫文件代码

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
 
 
class CrawlYjinSpider(CrawlSpider):
    name = "crawl_yjin"
    allowed_domains = ["xiachufang.com"]
    start_urls = ["https://www.xiachufang.com/category/40073/"]  # 起始url (分类列表的小吃)
 
    # 创建一个Rule对象(也创建一个LinkExtractor对象)
    rules = (
 
        # 菜单详情地址
        # https://www.xiachufang.com/recipe/106909278/
        # https://www.xiachufang.com/recipe/1055105/
        Rule(LinkExtractor(allow=r".*?/recipe/\d+/$"), callback="parse_item", follow=False),
 
    )
 
    # 解析菜单详情
    def parse_item(self, response):
        # 不需要手动构造item对象
        item = {}
        # print(response.url)
        # 图片链接,名称,评分,多少人做过,发布人
        item['imgs'] = response.xpath('//div/img/@src').get()
        #去除空格和\n
        item['title']=''.join(response.xpath('//div/h1/text()').get()).replace(' ','').replace('\n','')
        item['score']=response.xpath('//div[@class="score float-left"]/span[@class="number"]/text()').extract_first()
        item['number']=response.xpath('//div[@class="cooked float-left"]/span[@class="number"]/text()').get()
        item['author']=''.join(response.xpath('//div[@class="author"]/a/img/@alt').get()).replace('的厨房','')
 
        # print(item)
 
        return item

(2)数据保存>>pipelines管道文件

import json
 
from itemadapter import ItemAdapter
 
 
class MeitouPipeline:
    """处理items对象的数据"""
    def __init__(self):
        self.file_=open('xcf-1.json','w',encoding='utf-8')
        print('文件打开了。。。')
 
    def process_item(self, item, spider):
        """item接收爬虫器丢过来的items对象"""
        py_dict=dict(item) # 先把携带键值对数据items对象转成字典
        #dict转换成json数据
        json_data=json.dumps(py_dict,ensure_ascii=False)+",\n"
        #写入
        self.file_.write(json_data)
        print("写入数据...")
        return item
 
 
    def __del__(self):
        self.file_.close()  #关闭
        print('文件关闭了....')

(3)settings相关设置 >>settings.py设置文件

# 全局用户代理,默认是被注释了,不生效
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36'
 
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
 
# 设置下载延时
DOWNLOAD_DELAY = 1
 
#开启管道
ITEM_PIPELINES = {
   "Meitou.pipelines.MeitouPipeline": 300,
}

(4)运行程序 >>scrapy crawl crawl_yjin --nolog

查看保存的json文件

到此这篇关于Python的Scrapy框架中的CrawlSpider介绍和使用的文章就介绍到这了,更多相关Scrapy框架中的CrawlSpider 内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • 解决django前后端分离csrf验证的问题

    解决django前后端分离csrf验证的问题

    今天小编就为大家分享一篇解决django前后端分离csrf验证的问题,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2019-02-02
  • Python实现简单求解给定整数的质因数算法示例

    Python实现简单求解给定整数的质因数算法示例

    这篇文章主要介绍了Python实现简单求解给定整数的质因数算法,结合实例形式分析了Python正整数分解质因数的相关操作技巧,需要的朋友可以参考下
    2018-03-03
  • Python接口自动化之request请求封装源码分析

    Python接口自动化之request请求封装源码分析

    这篇文章主要介绍了Python接口自动化之request请求封装源码分析,文章围绕主题的相关资料展开详细的内容介绍,具有一定的参考价值,感兴趣的小伙伴可以参考一下
    2022-06-06
  • python读取.mat文件及将变量存为.mat文件的详细介绍

    python读取.mat文件及将变量存为.mat文件的详细介绍

    这篇文章主要给大家介绍了关于python读取.mat文件及将变量存为.mat文件的详细介绍,​mat文件是matlab的数据存储的标准格式,文中通过代码介绍的非常详细,需要的朋友可以参考下
    2024-06-06
  • Pandas数据如何读取与导出

    Pandas数据如何读取与导出

    Pandas是一个强大的Python库,用于数据处理和分析,它提供了多种文件格式的数据读取和导出方法,包括CSV、Excel、SQL数据库、JSON等,常用的数据读取方法为`pd.read_csv()`、`pd.read_excel()`等,导出方法为`to_csv()`、`to_excel()`等
    2025-01-01
  • 解决numpy矩阵相减出现的负值自动转正值的问题

    解决numpy矩阵相减出现的负值自动转正值的问题

    这篇文章主要介绍了解决numpy矩阵相减出现的负值自动转正值的问题,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2020-06-06
  • Python面向对象之反射/自省机制实例分析

    Python面向对象之反射/自省机制实例分析

    这篇文章主要介绍了Python面向对象之反射/自省机制,结合实例形式分析了Python面向对象程序设计中的反射/自省机制概念、原理及相关属性操作技巧,需要的朋友可以参考下
    2018-08-08
  • tensorflow基本操作小白快速构建线性回归和分类模型

    tensorflow基本操作小白快速构建线性回归和分类模型

    这篇文章主要介绍了tensorflow基本操作,快速构建线性回归和分类模型,图文代码示例非常详细,有需要的朋友可以借鉴参考下,希望可以对大家有所帮助
    2021-08-08
  • python ChainMap管理用法实例讲解

    python ChainMap管理用法实例讲解

    在本篇文章里小编给大家整理一篇关于python ChainMap的管理用法及相关实例,有需要的朋友们可以学参考下。
    2021-08-08
  • 简单了解python单例模式的几种写法

    简单了解python单例模式的几种写法

    这篇文章主要介绍了简单了解python单例模式的几种写法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2019-07-07

最新评论