scrapy(网络爬虫)———CrawlSpider（规则爬虫）

CrawlSpider（规则爬虫）

一 .简介：它是Spider的派生类，Spider类的设计原则是只爬取start_url列表中的网页，而CrawlSpider类定义了一些规则(rule)来提供跟进link的方便的机制，从爬取的网页中获取link并继续爬取的工作更适合。

二.创建爬虫命令：

1.前提是已经创建好爬虫项目了，若没有创建好项目，请使用 scrapy startproject 项目名

进入项目目录

2.在项目目录下执行创建规则爬虫：scrapy genspider -t crawl 爬虫名称 爬取域名

三.在pycharm中编写规则爬虫文件

1.爬虫文件中导入的Link Extractors：

class scrapy.linkextractors.LinkExtractor

作用是：

每个LinkExtractor有唯一的公共方法是 extract_links()，它接收一个 Response 对象，类中定义了Response中的链接的提取规则，并返回一个 scrapy.link.Link 对象，返回的是符合链接匹配对象的列表。

Link Extractors要实例化一次，并且extract_links 方法会根据不同的 response 调用多次提取链接｡

2.Link Extractors 中的主要参数：

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。（使用最多）

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。

3.rules

在rules中包含一个或多个Rule对象，每个Rule对爬取网站的动作定义了特定操作。如果多个rule匹配了相同的链接，则根据规则在本集合中被定义的顺序，第一个会被使用

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

解释一下以上参数：

• link_extractor：是一个Link Extractor对象，用于定义需要提取的链接。

• callback： 从link_extractor中每获取到链接时，参数所指定的值作为回调函数，该回调函数接受一个response作为其第一个参数。

  注意：当编写爬虫规则时，避免使用parse作为回调函数。由于CrawlSpider使用parse方法来实现其逻辑，如果覆盖了 parse方法，crawl spider将会运行失败。

• follow：是一个布尔(boolean)值，指定了根据该规则从response提取的链接是否需要跟进。 如果callback为None，follow 默认设置为True ，否则默认为False。

• process_links：指定该spider中哪个的函数将会被调用，从link_extractor中获取到链接列表时将会调用该函数。该方法主要用来过滤。

• process_request：指定该spider中哪个的函数将会被调用， 该规则提取到每个request时都会调用该函数。 (用来过滤request)

callback对应的函数

 

不要写parse

不要写parse！！！

 

四、以腾讯社招为例，编写crawlspider规则爬虫文件

# -*- coding: utf-8 -*-
import scrapy
from tencentpro.items import TencentproItem
from scrapy.spider import CrawlSpider,Rule
# 导入链接匹配规则，用来提取符合规则的链接
from scrapy.linkextractors import LinkExtractor

class TencentdataSpider(CrawlSpider):
    name = 'tencentdata'
allowed_domains = ['hr.tencent.com']
    start_urls = ['https://hr.tencent.com/position.php?&start=0#a']

    rules = (
        # 先去匹配列表页链接
Rule(LinkExtractor(allow=r'start=d+'), follow=True),
        # 匹配详情页数据
Rule(LinkExtractor(allow=r'id=d+'), callback='parse_item',follow=False),
    )

    def parse_item(self, response):
        # 处理详情页数据
item=TencentproItem()
        positionname=response.xpath('//td[@class="l2 bold size16"]/text()').extract()[0]
        positionaddress=response.xpath('//tr[@class="c bottomline"]/td[1]/text()').extract()[0]
        content=response.xpath('//ul[@class="squareli"]/li/text()').extract()
        content="".join(content)
        item['positionname']=positionname
        item['positionaddress']=positionaddress
        item['content']=content
        print(content)
        yield item

然后编写pipeline文件，运行程序，即可

更多见：https://blog.csdn.net/qq_42281826/article/details/81021280