1、简介
通过命令可以快速创建CrawlSpider模板：`scrapy genspider -t crawl tencent tencent.com`
`scrapy.spiders.CrawlSpider`，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的方式，方便从爬取的网页中获取link，并继续爬取获取。
2、源代码参考
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)
CrawlSpider继承于Spider类，除了继承过来的属性外（name、allow_domains），还提供了新的属性和方法：`rules`和`LinkExtractor`
3、rules
CrawlSpider使用rules来决定爬虫的爬取规则，并将匹配后的url请求提交给引擎，即正常情况下CrawlSpider不需要单独手动返回请求。
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某种特定操作， 比如提取当前相应内容里的特定链接，是否对提取的链接跟进爬取，对提交的请求设置回调函数等。
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
)
```
`link_extractor`：是一个LinkExtractor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。特别注意的是，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中哪个函数将会被调用，该规则提取到每个request时都会调用该函数，该方法用来过滤request。
4、LinkExtractor
`scrapy.linkextractors.LinkExtractor`类
Link Extractors的目的很简单，就是提取链接。
每个LinkExtractor唯一的公共方法是extract_links()，它接收一个Response对象，并返回一个scrapy.link.Link对象。
LinkExtractors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。
```
class scrapy.linkextractors.LinkExtractor(
allow=(),
deny=(),
allow_domains=(),
deny_domains=(),
deny_extensions=None,
restrict_xpaths=(),
tags=('a','area'),
attrs=('href'),
canonicalize=True,
unique=True,
process_value=None
)
```
`allow`：满足括号中"正则表达式"的URL会被提取，如果为空，则全部匹配。
`deny`：满足括号中"正则表达式"的URL一定不提取（优先级高于allow）。
`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。
5、爬取规则（Crawling rules）
5.1 在scrapy shell中
（1）首先运行
`scrapy shell 'https://xxx.com/xxx.html?&start=0'`
（2）导入LinkExtractor，创建LinkExtractor实例对象
```
from scrapy.linkextractors import LinkExtractor
page_ = LinkExtractor(allow=(r'xxx.html?&start=d+'))
```
说明：allow是一个正则表达式，必须要匹配这个正则表达式（或正则表达式列表）的URL才会被提取，如果没有给出或为空，它会匹配所有的链接。deny和allow类似，功能相反，deny优先级高于allow。
因为是一个正则表达式，所有要注意是否需要转义问题。
（3）调用LinkExtractor实例的extract_links()方法查询匹配结果
`page_.extract_links(response)`
5.2 在CrawlSpider版本中
（1）在scrapy shell测试完成之后，修改以下代码
```
from scrapy.spiders import Rule
# 提取匹配"https://xxx.com/xxx.html?&start=0"的链接
page_ = LinkExtractor(allow=("start=d+"))
rules = (
# 提取匹配，并使用spider的parse_item方法进行分析，主要不能是parse方法，否则会发生parse方法覆盖（CrawlSpider使用parse方法来实现其逻辑）,并跟进链接
Rule(page_,callback="parse_item",follow=True)
)
```
（2）整体代码
import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule class xxxSpider(CrawlSpider): name = 'xxx' allowed_domains = ['xxx.com'] start_urls = ['https://xxx.com/xxx.html?&start=0'] page_lx = LinkExtractor(allow=r'start=d+')
rules = ( Rule(page_lx, callback='parse_item', follow=True), ) def parse_item(self, response): items = response.xpath('...') for item in items: temp = dict( ... ) print(temp) yield temp