使用了class scrapy.spiders.CrawlSpider
rules
一個包含一個(或多個) Rule 對象的集合(list)。 每個 Rule 對爬取網站的動作定義了特定表現。 Rule對象在下邊會介紹。 如果多個rule比對了相同的連結,則根據他們在本屬性中被定義的順序,第一個會被使用。
parse_start_url(response)
當start_url的請求傳回時,該方法被調用。 該方法分析最初的傳回值并必須傳回一個 Item 對象或者 一個 Request 對象或者 一個可疊代的包含二者對象。
爬取規則(Crawling rules)
- link_extractor 是一個 Link Extractor 對象。 其定義了如何從爬取到的頁面提取連結。
-
callback 是一個callable或string(該spider中同名的函數将會被調用)。從link_extractor中每擷取到連結時将會調用該函數。該回調函數接受一個response作為其第一個參數, 并傳回一個包含Item 以及(或) Request 對象(或者這兩者的子類)的清單(list)。
警告
當編寫爬蟲規則時,請避免使用 parse 作為回調函數。 由于 CrawlSpider 使用 parse 方法來實作其邏輯,如果 您覆寫了
parse 方法,crawl spider 将會運作失敗。
- cb_kwargs 包含傳遞給回調函數的參數(keyword argument)的字典。
- follow 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 。
- process_links 是一個callable或string(該spider中同名的函數将會被調用)。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_request 是一個callable或string(該spider中同名的函數将會被調用)。該規則提取到每個request時都會調用該函數。該函數必須傳回一個request或者None。 (用來過濾request)
items.py
import scrapy
from scrapy.item import Item,Field
class DoubanmovieItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
name=Field()
year=Field()
score=Field()
director=Field()
classification=Field()
actor=Field()
spiders.py
# -*- coding:utf-8 -*-
from scrapy.selector import Selector
from scrapy.spiders import CrawlSpider,Rule
from scrapy.linkextractors import LinkExtractor
from doubanmovie.items import DoubanmovieItem
class MovieSpider(CrawlSpider):
name="doubanmovie"
allowed_domains=['movie.douban.com']
start_urls=['http://movie.douban.com/top250']
rules=[
Rule(LinkExtractor(allow=(r'http://movie.douban.com/top250\?start=\d+.'))),
Rule(LinkExtractor(allow=(r'http://movie.douban.com/subject/\d+')),callback="parse_item"),
]
def parse_item(self,response):
sel=Selector(response)
item=DoubanmovieItem()
item['name']=sel.xpath('//*[@id="content"]/h1/span[1]/text()').extract()
item['year']=sel.xpath('//*[@id="content"]/h1/span[2]/text()').re(r'\((\d+)\)')
item['score']=sel.xpath('//*[@id="interest_sectl"]/div/p[1]/strong/text()').extract()
item['director']=sel.xpath('//*[@id="info"]/span[1]/a/text()').extract()
item['classification']= sel.xpath('//span[@property="v:genre"]/text()').extract()
item['actor']= sel.xpath('//*[@id="info"]/span[3]/a[1]/text()').extract()
return item
使用mongodb儲存
pipelines.py
from pymongo import MongoClient
from scrapy.exceptions import DropItem
from scrapy.conf import settings
from scrapy import log
class DoubanmoviePipeline(object):
def __init__(self):
client=MongoClient(settings['MONGODB_SERVER'],settings['MONGODB_PORT'])
db=client[settings['MONGODB_DB']]
self.collection=db[settings['MONGODB_COLLECTION']]
def process_item(self, item, spider):
valid=True
for data in item:
if not data:
valid=False
raise DropItem("Missing %s of blogpost from %s"%(data,item['url']))
if valid:
new_movie=[{
"name":item['name'][],
"year":item['year'][],
"score":item['score'][],
"director":item['director'],
"classification":item['classification'],
"actor":item['actor']
}]
self.collection.insert(new_movie)
log.msg("Item wrote to MongoDB database %s/%s"%(settings['MONGODB_DB'],settings['MONGODB_COLLECTION']),level=log.DEBUG,spider=spider)
return item
在settings中設定一下
settings.py
ITEM_PIPELINES = {
'doubanmovie.pipelines.DoubanmoviePipeline': 300,
}
LOG_LEVEL='DEBUG'
DOWNLOAD_DELAY=2
RANDOMIZE_DOWNLOAD_DELAY=True
USER_AGENT='Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.54 Safari/536.5'
COOKIES_ENABLED=True
MONGODB_SERVER = 'localhost'
MONGODB_PORT = 27017
MONGODB_DB = 'python'
MONGODB_COLLECTION = 'test'