CrawlSpider：类，Spider的一个子类

全站数据爬取的方法

• 基于spider：手动请求
• 基于CrawlSpider

---

CrawlSpider的使用：

创建一个工程

cd xxx

创建爬虫文件（Crawlspider）：

• 指令 scrapy genspider -t crawl xxx www.xxx.com

链接提取器 LinkExtractor

• 作用：根据指定规则（allow="正则"）进行指定链接的提取

规则解析器Rule

• 作用：将链接提取器提取到的链接进行指定规则（callback）的解析操作

参数follow = True

• 作用：可以将链接提取器 继续作用到 链接提取器提取到的链接 所对应的页面中

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']

    # 链接提取器：根据指定的规则（allow="正则"）进行指定链接的提取
    link = LinkExtractor(allow=r'id=1&page=d+')
    rules = (
        # Rule规则解析器:
        Rule(link, callback='parse_item', follow=False),
    )

    def parse_item(self, response):
        print(response)

---

需求：爬取sun网站中的编号、新闻标题，新闻内容、编号

分析：爬取的数据不在同一页面中

1、可以使用链接提取器提取所有页码的链接

2、让链接提取器提取所有的新闻详情页的链接

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、编号
class SunSpider(CrawlSpider):
    name = 'sun'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']

    # 链接提取器：根据指定的规则（allow="正则"）进行指定链接的提取
    link = LinkExtractor(allow=r'id=1&page=d+')
    link_detail = LinkExtractor(allow=r'id=d+')

    # http://wz.sun0769.com/political/politics/index?id=458640
    # http://wz.sun0769.com/political/politics/index?id=458637

    rules = (
        # Rule规则解析器:
        Rule(link, callback='parse_item', follow=True),
        # follow=True:可以将链接提取器 继续作用到 链接提取器提取到的链接 所对应的页面中
        Rule(link_detail,callback='parse_detail')
    )


    # 如下两个解析方法中是不可以实现请求传参的
    # 无法将两个解析方法解析的数据存储到同一个item中，因此可以存储到两个item
    # 解析新闻标题和编号
    def parse_item(self, response):
        # 注意：xpath表达式中不可以出现tbody标签
        li_list = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')
        for li in li_list:
            new_num = li.xpath('./span[1]/text()').extract_first()
            new_title = li.xpath('./span[3]/a/text()').extract_first()
            # print('编号',new_num,'标题',new_title)
            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[3]/div[2]/div[2]/div[1]/span[4]/text()').extract_first()
        new_content = response.xpath('/html/body/div[3]/div[2]/div[2]/div[2]/pre/text()').extract_first()
        new_content = ''.join(new_content)
        # print('详情id',new_id,'详情内容',new_content)
        item = DetailItem()
        item['new_id'] = new_id
        item['content'] = new_content

        yield item