标签：links process self rule parse CrawlSpiders response

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

　　　　（3）运行`scrapy crawl xxx`

标签：links,process,self,rule,parse,CrawlSpiders,response
来源： https://www.cnblogs.com/nuochengze/p/12875238.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。