在之前的文章我們通過 scrapy 架構 及 scrapy.Spider 類做了一個《糗事百科》的糗百爬蟲,本章我們再來看一下相較于 scrapy.Spider 類更為強大的 CrawlSpider 類。
CrawlSpider 是Spider的派生類,Spider 類的設計原則是隻爬取start_url清單中的網頁,而 CrawlSpider 類定義了一些規則 (rule) 來提供跟進link的友善的機制,從爬取的網頁中擷取link并繼續爬取的工作更适合。
源碼參考
1 class CrawlSpider(Spider):
2 rules = ()
3 def __init__(self, *a, **kw):
4 super(CrawlSpider, self).__init__(*a, **kw)
5 self._compile_rules()
6
7 #首先調用parse()來處理start_urls中傳回的response對象
8 #parse()則将這些response對象傳遞給了_parse_response()函數處理,并設定回調函數為parse_start_url()
9 #設定了跟進标志位True
10 #parse将傳回item和跟進了的Request對象
11 def parse(self, response):
12 return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)
13
14 #處理start_url中傳回的response,需要重寫
15 def parse_start_url(self, response):
16 return []
17
18 def process_results(self, response, results):
19 return results
20
21 #從response中抽取符合任一使用者定義'規則'的連結,并構造成Resquest對象傳回
22 def _requests_to_follow(self, response):
23 if not isinstance(response, HtmlResponse):
24 return
25 seen = set()
26 #抽取之内的所有連結,隻要通過任意一個'規則',即表示合法
27 for n, rule in enumerate(self._rules):
28 links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]
29 #使用使用者指定的process_links處理每個連接配接
30 if links and rule.process_links:
31 links = rule.process_links(links)
32 #将連結加入seen集合,為每個連結生成Request對象,并設定回調函數為_repsonse_downloaded()
33 for link in links:
34 seen.add(link)
35 #構造Request對象,并将Rule規則中定義的回調函數作為這個Request對象的回調函數
36 r = Request(url=link.url, callback=self._response_downloaded)
37 r.meta.update(rule=n, link_text=link.text)
38 #對每個Request調用process_request()函數。該函數預設為indentify,即不做任何處理,直接傳回該Request.
39 yield rule.process_request(r)
40
41 #處理通過rule提取出的連接配接,并傳回item以及request
42 def _response_downloaded(self, response):
43 rule = self._rules[response.meta['rule']]
44 return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)
45
46 #解析response對象,會用callback解析處理他,并傳回request或Item對象
47 def _parse_response(self, response, callback, cb_kwargs, follow=True):
48 #首先判斷是否設定了回調函數。(該回調函數可能是rule中的解析函數,也可能是 parse_start_url函數)
49 #如果設定了回調函數(parse_start_url()),那麼首先用parse_start_url()處理response對象,
50 #然後再交給process_results處理。傳回cb_res的一個清單
51 if callback:
52 #如果是parse調用的,則會解析成Request對象
53 #如果是rule callback,則會解析成Item
54 cb_res = callback(response, **cb_kwargs) or ()
55 cb_res = self.process_results(response, cb_res)
56 for requests_or_item in iterate_spider_output(cb_res):
57 yield requests_or_item
58
59 #如果需要跟進,那麼使用定義的Rule規則提取并傳回這些Request對象
60 if follow and self._follow_links:
61 #傳回每個Request對象
62 for request_or_item in self._requests_to_follow(response):
63 yield request_or_item
64
65 def _compile_rules(self):
66 def get_method(method):
67 if callable(method):
68 return method
69 elif isinstance(method, basestring):
70 return getattr(self, method, None)
71
72 self._rules = [copy.copy(r) for r in self.rules]
73 for rule in self._rules:
74 rule.callback = get_method(rule.callback)
75 rule.process_links = get_method(rule.process_links)
76 rule.process_request = get_method(rule.process_request)
77
78 def set_crawler(self, crawler):
79 super(CrawlSpider, self).set_crawler(crawler)
80 self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)
CrawlSpider繼承于Spider類,除了繼承過來的屬性外(name、allow_domains),還提供了新的屬性和方法:
LinkExtractors
from scrapy.linkextractors import LinkExtractor
Link Extractors 的目的很簡單: 提取連結。
每個LinkExtractor有唯一的公共方法是 extract_links(),它接收一個 Response 對象,并傳回一個 scrapy.link.Link 對象。
Link Extractors要執行個體化一次,并且 extract_links 方法會根據不同的 response 調用多次提取連結。
1 class scrapy.linkextractors.LinkExtractor(
2 allow = (),
3 deny = (),
4 allow_domains = (),
5 deny_domains = (),
6 deny_extensions = None,
7 restrict_xpaths = (),
8 tags = ('a','area'),
9 attrs = ('href'),
10 canonicalize = True,
11 unique = True,
12 process_value = None
13 )
主要參數:
-
:滿足括号中“正規表達式”的值會被提取,如果為空,則全部比對。allow
-
:與這個正規表達式(或正規表達式清單)不比對的URL一定不提取。deny
-
:會被提取的連結的domains。allow_domains
-
:一定不會被提取連結的domains。deny_domains
-
:使用xpath表達式,和allow共同作用過濾連結。restrict_xpaths
rules
在rules中包含一個或多個Rule對象,每個Rule對爬取網站的動作定義了特定操作。如果多個rule比對了相同的連結,則根據規則在本集合中被定義的順序,第一個會被使用。
1 class scrapy.spiders.Rule(
2 link_extractor,
3 callback = None,
4 cb_kwargs = None,
5 follow = None,
6 process_links = None,
7 process_request = None
8 )
-
:是一個Link Extractor對象,用于定義需要提取的連結。link_extractor
-
: 從link_extractor中每擷取到連結時,參數所指定的值作為回調函數,該回調函數接受一個response作為其第一個參數。callback
注意:當編寫爬蟲規則時,避免使用parse作為回調函數。由于CrawlSpider使用parse方法來實作其邏輯,如果覆寫了 parse方法,crawl spider将會運作失敗。
-
:是一個布爾(boolean)值,指定了根據該規則從response提取的連結是否需要跟進。 如果callback為None,follow 預設設定為True ,否則預設為False。follow
-
:指定該spider中哪個的函數将會被調用,從link_extractor中擷取到連結清單時将會調用該函數。該方法主要用來過濾。process_links
-
:指定該spider中哪個的函數将會被調用, 該規則提取到每個request時都會調用該函數。 (用來過濾request)process_request
接下來我們就按上面所說的内容将之前的糗百爬蟲做一下修改,我們将 qiubaiSpider.py 的代碼改為如下:
1 import scrapy
2 # 導入CrawlSpider類和Rule
3 from scrapy.spiders import CrawlSpider, Rule
4 # 導傳入連結接規則比對類,用來提取符合規則的連接配接
5 from scrapy.linkextractors import LinkExtractor
6 from ..items import QiushiItem
7
8
9 class QiushiSpider(CrawlSpider):
10 # 爬蟲名
11 name = "qiubai"
12 # 允許爬蟲作用的範圍,不能越界
13 allowd_domains = ["https://www.qiushibaike.com/"]
14 # 爬蟲起始url
15 start_urls = ["https://www.qiushibaike.com/text/page/1/"]
16 # Response 裡連結的提取規則,傳回的符合比對規則的連結比對對象的清單
17 pageLink = LinkExtractor(allow=("/page/\d+"))
18 # 擷取這個清單裡的連結,依次發送請求,并且繼續跟進,調用指定回調函數處理
19 rules = [
20 Rule(pageLink, callback="parseContent", follow=True)
21 ]
22
23 # 指定的回調函數
24 def parseContent(self, response):
25 # 通過 scrayy 自帶的 xpath 比對想要的資訊
26 qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]')
27 for site in qiushi_list:
28 # 執行個體化從 items.py 導入的 QiushiItem 類
29 item = QiushiItem()
30 # 根據查詢發現匿名使用者和非匿名使用者的标簽不一樣
31 try:
32 # 非匿名使用者
33 username = site.xpath('./div/a/img/@alt')[0].extract() # 作者
34 imgUrl = site.xpath('./div/a/img/@src')[0].extract() # 頭像
35 except Exception:
36 # 匿名使用者
37 username = site.xpath('./div/span/img/@alt')[0].extract() # 作者
38 imgUrl = site.xpath('./div/span/img/@src')[0].extract() # 頭像
39 content = site.xpath('.//div[@class="content"]/span[1]/text()').extract()
40 item['username'] = username
41 item['imgUrl'] = "https:" + imgUrl
42 item['content'] = content
43
44 # 将擷取的資料交給 pipeline 管道檔案
45 yield item
在控制台或終端輸入 scrapy crawl qiubai 即可運作程式并擷取糗百資料。
需要注意的是在 rule 規則中的 callback 千萬不能寫 parse,因為 CrawlSpider 使用 parse 方法來實作其邏輯,如果覆寫了 parse方法,crawl spider将會運作失敗。