CrawlSpiders

CrawlSpiders

通过下面的命令可以快速创建 CrawlSpider模板 的代码：

scrapy genspider -t crawl tencent tencent.com

上一个案例中，我们通过正则表达式，制作了新的url作为Request请求参数，现在我们可以换个花样...

class 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。

源码参考

# scrapy 中初始化rule规则
class Rule(object):

    # link_extractor 链接提取器，
    # def link_extractor(self, allow=(), deny=(), allow_domains=(), deny_domains=(), restrict_xpaths=(), tags=('a', 'area'), attrs=('href',), canonicalize=False,  unique=True, process_value=None, deny_extensions=None, restrict_css=(), strip=True)
    # allow 链接提取规格 满足的链接将会被提取 没有默认匹配全部 （单个正则表达式或正则表达式的列表）
    # deny  链接提取规格 满足的链接将不会被提取 没有默认匹配全部 （单个正则表达式或正则表达式的列表）
    # allow_domains 定义提取的域范围 （单个字符串或者类别）
    # deny_domains 定义不提取的域范围 （单个字符串或者类别）
    # deny_extensions 需要忽略的url扩展名列表
    # restrict_xpaths （一个xpath或者xpath列表）链接将会从xpath提取的范围内提取链接
    # restrict_css （一个css或者css列表）链接将会从css提取的范围内提取链接
    # tags 提取链接的标签列表
    # attrs 提取标签对应的属性
    # canonicalize 规范提取链接，让提取链接按照一定规则，方便去重
    # http: // www.example.com / path / xxx?name = leyle & passwd = leyle
    # http: // www.example.com / path / xxx?passwd = leyle & name = leyle
    # unique 提取的链接是否去重
    # process_value 扫描提取出的每个标签的属性和值，替换其值。 str.replace()
    # callback 回调函数 接受response 返回items
    # cb_kwargs 传给回调函数的参数，字典
    # follow 设置提取的链接是否跟进
    # process_links 指定回调函数，处理link_extractor提取出来的链接
    # process_request 指定回调函数，处理request对象(priority设置url请求优先级)
    def __init__(self, link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None,
                 process_request=identity):
        self.link_extractor = link_extractor
        self.callback = callback
        # 如果cb_kwargs为none self。cb_kwargs={}
        self.cb_kwargs = cb_kwargs or {}
        self.process_links = process_links
        self.process_request = process_request
        if follow is None:
            # follow默认为True
            self.follow = False if callback else True
        else:
            self.follow = follow


class CrawlSpider(Spider):
    # 定义rules一个元组
    # 元组在初始化的时候被创建，创建之后就不能被修改。
    rules = ()

    def __init__(self, *a, **kw):
        # super 在继承父方法的基础上重写该方法
        super(CrawlSpider, self).__init__(*a, **kw)
        # 调用_compile_rules()方法
        self._compile_rules()

    # 调用parse()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):
        # 判断response是否是htmlresponse类型
        if not isinstance(response, HtmlResponse):
            return
        # 创建一个集合,保证跟踪的链接不重复
        # hash计算，跟每个hash值进行比较，判断是否重复
        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
        # enumerate枚举
        for n, rule in enumerate(self._rules):
            # rule.link_extractor.extract_links(response)内部方法，返回link数据
            # 提取需要跟进的链接
            links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]

            # 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:
                # 加入到集合里面
                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)
                # 传递参数到回调函数
                r.meta.update(rule=n, link_text=link.text)
                # 对每个Request调用process_request()函数，返回request   默认是原样返回
                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):
        # 根据rule规则提取链接
        rule = self._rules[response.meta['rule']]
        # 调用_parse_response方法
        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)
            # iterate_spider_output 内部方法 根据cb_res类型返回不同类型的数据
            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:
            # 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):
            # callable 判断对象是否可以调用
            if callable(method):
                return method
            # isinstance判断对象是否是这里类型
            # six.string_types是内部定义的类型 str
            elif isinstance(method, six.string_types):
                # 返回method对象的属性，就返回默认值
                return getattr(self, method, None)

        # rules 浅拷贝一份出来
        self._rules = [copy.copy(r) for r in self.rules]
        # 循环出每个rule对象
        for rule in self._rules:
            # 获取callback属性
            rule.callback = get_method(rule.callback)
            # 获取process_links属性
            rule.process_links = get_method(rule.process_links)
            # 获取process_request属性
            rule.process_request = get_method(rule.process_request)

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

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。所以在正常情况下，CrawlSpider不需要单独手动返回请求了。

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)

LinkExtractors

class scrapy.linkextractors.LinkExtractor

　　

Link Extractors 的目的很简单: 提取链接｡

每个LinkExtractor有唯一的公共方法是 extract_links()，它接收一个 Response 对象，并返回一个 scrapy.link.Link 对象。

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｡

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
)

　　

主要参数：

• 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。

爬取规则(Crawling rules)

继续用腾讯招聘为例，给出配合rule使用CrawlSpider的例子:

1. 首先运行

    scrapy shell "http://hr.tencent.com/position.php?&start=0#a"
   

   　　

2. 导入LinkExtractor，创建LinkExtractor实例对象。：

    from scrapy.linkextractors import LinkExtractor
   
    page_lx = LinkExtractor(allow=('position.php?&start=d+'))
   

   　　

   allow : LinkExtractor对象最重要的参数之一，这是一个正则表达式，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 : 用法同allow，只不过与这个正则表达式匹配的URL不会被提取)｡它的优先级高于 allow 的参数，如果没有给出(或None), 将不排除任何链接｡

3. 调用LinkExtractor实例的extract_links()方法查询匹配结果：

    page_lx.extract_links(response)
   

   　　

4. 没有查到：

    []
   

5. 注意转义字符的问题，继续重新匹配：

    page_lx = LinkExtractor(allow=('position.php?&start=d+'))
    # page_lx = LinkExtractor(allow = ('start=d+'))
   
    page_lx.extract_links(response)
   

   　　

 

CrawlSpider 版本

那么，scrapy shell测试完成之后，修改以下代码

#提取匹配 'http://hr.tencent.com/position.php?&start=d+'的链接
page_lx = LinkExtractor(allow = ('start=d+'))

rules = [
    #提取匹配,并使用spider的parse方法进行分析;并跟进链接(没有callback意味着follow默认为True)
    Rule(page_lx, callback = 'parse', follow = True)
]

　　

这么写对吗？

不对！千万记住 callback 千万不能写 parse，再次强调：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。

#tencent.py

import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from mySpider.items import TencentItem

class TencentSpider(CrawlSpider):
    name = "tencent"
    allowed_domains = ["hr.tencent.com"]
    start_urls = [
        "http://hr.tencent.com/position.php?&start=0#a"
    ]

    page_lx = LinkExtractor(allow=("start=d+"))

    rules = [
        Rule(page_lx, callback = "parseContent", follow = True)
    ]

    def parseContent(self, response):
        for each in response.xpath('//*[@class="even"]'):
            name = each.xpath('./td[1]/a/text()').extract()[0]
            detailLink = each.xpath('./td[1]/a/@href').extract()[0]
            positionInfo = each.xpath('./td[2]/text()').extract()[0]

            peopleNumber = each.xpath('./td[3]/text()').extract()[0]
            workLocation = each.xpath('./td[4]/text()').extract()[0]
            publishTime = each.xpath('./td[5]/text()').extract()[0]
            #print name, detailLink, catalog,recruitNumber,workLocation,publishTime

            item = TencentItem()
            item['name']=name.encode('utf-8')
            item['detailLink']=detailLink.encode('utf-8')
            item['positionInfo']=positionInfo.encode('utf-8')
            item['peopleNumber']=peopleNumber.encode('utf-8')
            item['workLocation']=workLocation.encode('utf-8')
            item['publishTime']=publishTime.encode('utf-8')

            yield item

    # parse() 方法不需要重写     
    # def parse(self, response):                                              
    #     pass

　　

运行： scrapy crawl tencent

Logging

Scrapy提供了log功能，可以通过 logging 模块使用。

可以修改配置文件settings.py，任意位置添加下面两行，效果会清爽很多。

LOG_FILE = "TencentSpider.log"
LOG_LEVEL = "INFO"

　　

Log levels

• Scrapy提供5层logging级别:

• CRITICAL - 严重错误(critical)

• ERROR - 一般错误(regular errors)
• WARNING - 警告信息(warning messages)
• INFO - 一般信息(informational messages)
• DEBUG - 调试信息(debugging messages)

logging设置

通过在setting.py中进行以下设置可以被用来配置logging:

1. LOG_ENABLED 默认: True，启用logging
2. LOG_ENCODING 默认: 'utf-8'，logging使用的编码
3. LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名
4. LOG_LEVEL 默认: 'DEBUG'，log的最低级别
5. LOG_STDOUT 默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示。

dome

# -*- coding: utf-8 -*-
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
import scrapy, pymysql, copy, json
from lxml import etree
from steam_friend.settings import MYSQL_HOST, MYSQL_POST, MYSQL_DATABASE, MYSQL_PASSWORD, MYSQL_USER


class FriendsSpider(CrawlSpider):
    name = 'friends'
    # allowed_domains = ['.com']
    start_urls = ['https://steamcommunity.com/id/133512304/friends/',
                  'https://steamcommunity.com/profiles/76561198355561456/friends/',
                  'https://steamcommunity.com/profiles/76561198165858481/friends/',
                  'https://steamcommunity.com/profiles/76561198138999212/friends/',
                  'https://steamcommunity.com/profiles/76561198110174066/friends/',
                  'https://steamcommunity.com/profiles/76561198154465383/friends/']

    rules = (
        Rule(LinkExtractor(allow=r'https://steamcommunity.com/w*/w*/friends/'), follow=True, callback='parse_item'),
        Rule(LinkExtractor(allow=r'https://steamcommunity.com/profiles/w*'), follow=True, callback='parse_item'),
        Rule(LinkExtractor(allow=r'https://steamcommunity.com/id/w*'), follow=True, callback='parse_item'),
    )

    def parse_item(self, response):
        item = {}
        item['url'] = response.url.split('?')[0] if '?' in response.url else response.url  # url
        item['nickname'] = response.xpath(
            '//div[@class="persona_name"]/span[@class="actual_persona_name"]/text()').extract_first()  # username
        print(item)
        print('*' * 100)

        return item