python网络爬虫——CrawlSpider

- CrawlSpider
　　- 作用：用于进行全站数据爬取
　　- CrawlSpider就是Spider的一个子类
　　- 如何新建一个基于CrawlSpider的爬虫文件
　　　　- scrapy genspider -t crawl xxx www.xxx.com
　　- 例：choutiPro

　　- LinkExtractor连接提取器：根据指定规则（正则）进行连接的提取
　　- Rule规则解析器：将连接提取器提取到的连接进行请求发送，然后对获取的
　　页面进行指定规则【callback】的解析
　　- 一个链接提取器对应唯一一个规则解析器
　　　　- 例：crawlspider深度（全栈）爬取【sunlinecrawl例】

- 分布式（通常用不到，爬取数据量级巨大、时间少时用分布式）
　　- 概念：可将一组程序执行在多态机器上（分布式机群），使其进行数据的分布爬取
　　- 原生的scrapy框架是否可以实现分布式？
　　　　不能

抽屉：

# spider文件

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

class ChoutiSpider(CrawlSpider):
    name = ‘chouti‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘https://dig.chouti.com/1‘]

    # 连接提取器：从起始url对应的页面中提取符合规则的所有连接；allow=正则表达式
    # 正则为空的话，提取页面中所有连接
    link = LinkExtractor(allow=r‘\d+‘)
    rules = (
        # 规则解析器:将连接提取器提取到的连接对应的页面源码进行指定规则的解析
        # Rule自动发送对应链接的请求
        Rule(link, callback=‘parse_item‘, follow=True),
        # follow：True 将连接提取器 继续 作用到 连接提取器提取出来的连接 对应的页面源码中
    )

    def parse_item(self, response):
        item = {}
        #item[‘domain_id‘] = response.xpath(‘//input[@id="sid"]/@value‘).get()
        #item[‘name‘] = response.xpath(‘//div[@id="name"]‘).get()
        #item[‘description‘] = response.xpath(‘//div[@id="description"]‘).get()
        return item

阳光热线网

# 1.spider文件

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sunLineCrawl.items import SunlinecrawlItem,ContentItem

class SunSpider(CrawlSpider):
    name = ‘sun‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘http://wz.sun0769.com/index.php/question/questionType?type=4&page=‘]

    link = LinkExtractor(allow=r‘type=4&page=\d+‘) # 提取页码连接
    link1 = LinkExtractor(allow=r‘question/2019\d+/\d+\.shtml‘) # 提取详情页连接
    rules = (
        Rule(link, callback=‘parse_item‘, follow=False),
        Rule(link1, callback=‘parse_detail‘),
    )


    # 解析出标题和网友名称数据
    def parse_item(self, response):
        tr_list = response.xpath(‘//*[@id="morelist"]/div/table[2]//tr/td/table//tr‘)
        for tr in tr_list:
            title = tr.xpath(‘./td[2]/a[2]/text()‘).extract_first()
            net_friend = tr.xpath(‘./td[4]/text()‘).extract_first()
            item = SunlinecrawlItem()
            item[‘title‘] = title
            item[‘net_friend‘] = net_friend

            yield item

    # 解析出新闻的内容
    def parse_detail(self,response):
        content = response.xpath(‘/html/body/div[9]/table[2]//tr[1]/td/div[2]//text()‘).extract()
        content = ‘‘.join(content)
        item = ContentItem()
        item[‘content‘] = content

        yield item
--------------------------------------------------------------------------------
# 2.items文件

import scrapy

class SunlinecrawlItem(scrapy.Item):
    title = scrapy.Field()
    net_friend = scrapy.Field()

class ContentItem(scrapy.Item):
    content = scrapy.Field()
--------------------------------------------------------------------------------
# 3.pipelines文件

class SunlinecrawlPipeline(object):
    def process_item(self, item, spider):
        # 确定接受到的item是什么类型（Content/Sunlinecrawl）
        if item.__class__.__name__ == ‘SunlinecrawlItem‘:
            print(item[‘title‘],item[‘net_friend‘])

        else:
            print(item[‘content‘])

        return item
--------------------------------------------------------------------------------
# 4.setting文件

BOT_NAME = ‘sunLineCrawl‘

SPIDER_MODULES = [‘sunLineCrawl.spiders‘]
NEWSPIDER_MODULE = ‘sunLineCrawl.spiders‘

LOG_LEVEL = ‘ERROR‘

USER_AGENT = ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36‘

ROBOTSTXT_OBEY = False

ITEM_PIPELINES = {
   ‘sunLineCrawl.pipelines.SunlinecrawlPipeline‘: 300,
}