scrapy — CrawlSpider类

CrawlSpider类是什么？

• 是Spider的一个子类
• 区别：
  • Spider是获取到URL进行 手动发送请求 ： yield scrapy.Request(url=new_url,callback=self.parse)
  • 是通过提取器类：LinkExtractor，提前到页面所有符合条件的URL，然后用Rule类对符合条件的URL自动发送请求
  • 创建CrawlSpider爬虫的命令：scrapy genspider -t crawl xxx（爬虫名称） www.xxxx.com（爬取的URL）

基于CrawlSpider创建的爬虫类，代码示例：

import scrapy
from scrapy.linkextractors import LinkExtractor  #导入url提取器的类
from scrapy.spiders import CrawlSpider, Rule     #Rule可用于自动发送请求


class XuexiSpider(CrawlSpider):
    name = 'xuexi'
    allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.xxx.com/']
    #LinkExtractor(allow=r'Items/') 该类的allow参数写入正则匹配规则，就会按照正则去响应信息中匹配URL，当然也有别的匹配规则，比如CSS
    rules = (
        #follow为True可以自动将所有响应信息的符合的规则的url都获取到，并发送请求
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        item = {}
        #item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()
        #item['name'] = response.xpath('//div[@id="name"]').get()
        #item['description'] = response.xpath('//div[@id="description"]').get()
        return item

下面也一个案例，就以爬取阳光信息网为例，代码示例：

#1.爬虫文件.py代码示例：

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sunPro.items import SunproItem,DetailItem

#需求：爬取sun网站中的编号，新闻标题，新闻内容，标号
class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']

    #链接提取器：根据指定规则（allow="正则"）进行指定链接的提取
    link = LinkExtractor(allow=r'type=4&page=\d+')
    link_detail = LinkExtractor(allow=r'question/\d+/\d+\.shtml')
    rules = (
        #规则解析器：将链接提取器提取到的链接进行指定规则（callback）的解析操作
        Rule(link, callback='parse_item', follow=True),
        #follow=True：可以将链接提取器 继续作用到 连接提取器提取到的链接 所对应的页面中
        Rule(link_detail,callback='parse_detail')
    )
    #http://wz.sun0769.com/html/question/201907/421001.shtml
    #http://wz.sun0769.com/html/question/201907/420987.shtml

    #解析新闻编号和新闻的标题
    #如下两个解析方法中是不可以实现请求传参！
    #如法将两个解析方法解析的数据存储到同一个item中，可以以此存储到两个item
    def parse_item(self, response):
        #注意：xpath表达式中不可以出现tbody标签
        tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr')
        for tr in tr_list:
            new_num = tr.xpath('./td[1]/text()').extract_first()
            new_title = tr.xpath('./td[2]/a[2]/@title').extract_first()
            item = SunproItem()
            item['title'] = new_title
            item['new_num'] = new_num

            yield item

    #解析新闻内容和新闻编号
    def parse_detail(self,response):
        new_id = response.xpath('/html/body/div[9]/table[1]//tr/td[2]/span[2]/text()').extract_first()
        new_content = response.xpath('/html/body/div[9]/table[2]//tr[1]//text()').extract()
        new_content = ''.join(new_content)

        # print(new_id,new_content)
        item = DetailItem()
        item['content'] = new_content
        item['new_id'] = new_id

        yield item

#2.itmes.py代码示例：
#因为是不同页面的数据，又不能进行参数化，所有通过两个item类，来接收不同页面的解析数据

import scrapy


class SunproItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    new_num = scrapy.Field()


class DetailItem(scrapy.Item):
    new_id = scrapy.Field()
    content = scrapy.Field()

#3.pipeline.py代码示例：
#根据不同item的名字，来判断，数据来源于哪一个item

class SunproPipeline(object):
    def process_item(self, item, spider):
        #如何判定item的类型
        #将数据写入数据库时，如何保证数据的一致性
        if item.__class__.__name__ == 'DetailItem':
            print(item['new_id'],item['content'])
            pass
        else:
            print(item['new_num'],item['title'])
        return item