Scrapy笔记：CrawSpider中rules中的使用

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

scrapy.spiders.crawl.CrawlSpider类的使用

这个类比较适用于对网站爬取批量网页，相比于Spider类，CrawlSpider主要使用规则(rules)来提取链接

rules = (

Rule(LinkExtractor(allow=(r'https://movie.douban.com/subject/\d+/')), callback="parse_item1"),

Rule(LinkExtractor(allow=(r'https://movie.douban.com/subject/.+')), callback="parse_item2"),

)

如果接触过django，那么可以发现这个规则与django的路由系统十分相似，CrawlSpider的rules属性是直接从response对象的文本中提取url，然后自动创建新的请求。与Spider不同的是，CrawlSpider已经重写了parse函数，因此我们可以看到，scrapy的官网文档的例子中并没有重写parse。

这一切是scrapy自动实现的，具体过程是：

scrapy crawl spidername开始运行，程序自动使用start_urls构造Request并发送请求，然后调用parse函数对其进行解析，在这个解析过程中使用rules中的规则从html（或xml）文本中提取匹配的链接，通过这个链接再次生成Request，如此不断循环，直到返回的文本中再也没有匹配的链接，或调度器中的Request对象用尽，程序才停止。

rules中的规则如果callback没有指定，则使用默认的parse函数进行解析，如果指定了，那么使用自定义的解析函数。

如果起始的url解析方式有所不同，那么可以重写CrawlSpider中的另一个函数parse_start_url(self, response)用来解析第一个url返回的Response，但这不是必须的。

Rule对象的follow参数的作用是：指定了根据该规则从response提取的链接是否需要跟进。

参考： http://scrapy-chs.readthedocs.io/zh_CN/stable/topics/spiders.html#crawling-rules

 #!/usr/bin/python

 # -*- coding: utf-8 -*-

 import scrapy

 from tutorial01.items import MovieItem

 from scrapy.spiders.crawl import Rule, CrawlSpider

 from scrapy.linkextractors import LinkExtractor

 class DoubanmoviesSpider(CrawlSpider):

     name = "doubanmovies"

     allowed_domains = ["douban.com"]

     start_urls = ['https://movie.douban.com/tag/']

 #     http_user='username' #http协议的基本认证功能 ；http_user和http_pass

 #     http_pass='password'

     rules = ( #自动从response中根据正则表达式提取url，再根据这个url再次发起请求，并用callback解析返回的结果

         Rule(LinkExtractor(allow=(r'https://movie.douban.com/subject/\d+/')), callback="parse_item"),

         #Rule(LinkExtractor(allow=(r'https://movie.douban.com/tag/\[wW]+'))), # 从网页中提取http链接

     )

     def parse_item(self, response):

         movie = MovieItem()

         movie['name'] = response.xpath('//*[@id="content"]/h1/span[1]/text()').extract()[0]

         movie['director'] = '/'.join(response.xpath('//a[@rel="v:directedBy"]/text()').extract())

         movie['writer'] = '/'.join(response.xpath('//*[@id="info"]/span[2]/span[2]/a/text()').extract())

         movie['url'] = response.url

         movie['score'] = response.xpath('//*[@class="ll rating_num"]/text()').extract()[0]

         movie['collections'] = response.xpath('//span[@property="v:votes"]/text()').extract()[0] #评价人数

         movie['pub_date'] = response.xpath('//span[@property="v:initialReleaseDate"]/text()').extract()[0]

         movie['actor'] = '/'.join(response.css('span.actor span.attrs').xpath('.//a[@href]/text()').extract())

         movie['classification'] = '/'.join(response.xpath('//span[@property="v:genre"]/text()').extract())

         print('movie:%s  |url:%s'%(movie['name'],movie['url']))

         return movie

     def parse_start_url(self, response):

         urls = response.xpath('//div[@class="article"]//a/@href').extract()

         for url in urls:

             if 'https' not in url: # 去除多余的链接

                 url = response.urljoin(url) # 补全

                 print(url)

                 print('*'*30)

                 yield scrapy.Request(url)