爬虫的自我修养

 

一、CrawlSpiders类简介

通过下面的命令可以快速创建 CrawlSpider模板 的代码:

scrapy genspider -t crawl tencent tencent.com

上一个案例中,我们通过正则表达式,制作了新的url作为Request请求参数,现在我们可以换个花样...

class 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的方便的机制,从爬取的网页中获取link并继续爬取的工作更适合。

源码参考

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 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 in rule.link_extractor.extract_links(response) if 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                 = 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 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)

二、LinkExtractors

Link Extractors 的目的很简单: 提取链接

每个LinkExtractor有唯一的公共方法是 extract_links(),它接收一个 Response 对象,并返回一个 scrapy.link.Link 对象。

Link Extractors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。

主要参数

1 2 3 4 5 6 7 8 9 10 11 12 13 class scrapy.linkextractors.LinkExtractor(     allow = (),     # 满足括号中“正则表达式”的值会被提取,如果为空,则全部匹配     deny = (),      # 与这个正则表达式(或正则表达式列表)不匹配的URL一定不提取     allow_domains = (),     # 会被提取的链接的domains     deny_domains = (),      # 一定不会被提取链接的domains     deny_extensions = None,     restrict_xpaths = (),   # 使用xpath表达式,和allow共同作用过滤链接(一般只用allow就行了)     tags = ('a','area'),     attrs = ('href'),     canonicalize = True,     unique = True,     process_value = None )

三、LinkExtractors

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特定操作。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。

主要参数

1 2 3 4 5 6 7 8 class scrapy.spiders.Rule(         link_extractor,         callback = None,         cb_kwargs = None,         follow = None,         process_links = None,         process_request = None )
  • link_extractor:是一个Link Extractor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。

    注意: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中哪个的函数将会被调用,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中哪个的函数将会被调用, 该规则提取到每个request时都会调用该函数。 (用来过滤request)

小Tips

1 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。

四、Logging

Scrapy提供了log功能,可以通过 logging 模块使用。

可以修改配置文件settings.py,任意位置添加下面两行。

LOG_FILE = "TencentSpider.log"
LOG_LEVEL = "INFO"

Log levels

  • Scrapy提供5层logging级别:

  • CRITICAL - 严重错误(critical)

  • ERROR - 一般错误(regular errors)
  • WARNING - 警告信息(warning messages)
  • INFO - 一般信息(informational messages)
  • DEBUG - 调试信息(debugging messages)

logging设置

通过在setting.py中进行以下设置可以被用来配置logging:

  1. LOG_ENABLED 默认: True,启用logging
  2. LOG_ENCODING 默认: 'utf-8',logging使用的编码
  3. LOG_FILE 默认: None,在当前目录里创建logging输出文件的文件名
  4. LOG_LEVEL 默认: 'DEBUG',log的最低级别
  5. LOG_STDOUT 默认: False 如果为 True,进程所有的标准输出(及错误)将会被重定向到log中。例如,执行 print "hello" ,其将会在Scrapy log中显示。

 示例1、使用CrawlSpider爬取腾讯招聘网站

爬虫模块

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 # -*- coding: utf-8 -*- import scrapy from scrapy.linkextractors import LinkExtractor # 导入链接规则匹配类,用来提取符合规则的连接 from scrapy.spiders import CrawlSpider, Rule    # 导入CrawlSpider类和Rule from day_31.TencentCrawlSpider.TencentCrawlSpider.items import TencentcrawlspiderItem     class TencentSpider(CrawlSpider):     name = 'tencent'     allowed_domains = ['tencent.com']     start_urls = ['http://hr.tencent.com/position.php?&start=0']       rules = (         Rule(LinkExtractor(allow=r'position\.php\?&start=\d+#a'), callback='parse_item', follow=True),         # Response里链接的提取规则,返回的符合匹配规则的链接匹配对象的列表         # 获取这个列表里的链接,依次发送请求,并且继续跟进,调用指定回调函数处理         # 前面加r表示将正则表达式编译成一个规则的对象     )       # 指定的回调函数     def parse_item(self, response):         for in response.xpath('//tr[@class="even"] | //tr[@class="odd"]'):             item = TencentcrawlspiderItem()             item['name'= i.xpath(".//a/text()").extract()[0]             item['link'= i.xpath(".//a/@href").extract()[0]             item['type'= i.xpath("./td[2]/text()").extract()[0]             item['number'= i.xpath(".//td[3]/text()").extract()[0]             item['place'= i.xpath(".//td[4]/text()").extract()[0]             item['rtime'= i.xpath(".//td[5]/text()").extract()[0]             yield item

管道模块

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 # -*- coding: utf-8 -*-   # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html import json   class TencentcrawlspiderPipeline(object):     def __init__(self):         self.file = open('tencent-job.json','wb')       def process_item(self, item, spider):         text = json.dumps(dict(item),ensure_ascii=False)+'\n'         self.file.write(text.encode('utf-8'))         return item       def close_spider(self, spider):         self.file.close()
爬虫的自我修养 items.py 爬虫的自我修养 settings.py

小Tips

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 1、python 爬虫爬取内容时, \xa0 、 \u3000 的含义   \xa0 是不间断空白符     我们通常所用的空格是 \x20 ,是在标准ASCII可见字符 0x20~0x7e 范围内。 而 \xa0 属于 latin1 (ISO/IEC_8859-1)中的扩展字符集字符,代表空白符nbsp(non-breaking space)。 latin1 字符集向下兼容 ASCII ( 0x20~0x7e )。通常我们见到的字符多数是 latin1 的,比如在 MySQL 数据库中。   \u3000 是全角的空白符   根据Unicode编码标准及其基本多语言面的定义, \u3000 属于CJK字符的CJK标点符号区块内,是空白字符之一。它的名字是 Ideographic Space ,有人译作表意字空格、象形字空格等。顾名思义,就是全角的 CJK 空格。它跟 nbsp 不一样,是可以被换行间断的。常用于制造缩进, wiki 还说用于抬头,但没见过。   2、response.url    # 获取当前页面url   3、在allow里面的正则匹配,有特殊字符('.','?')要加转义字符'\' page_lx = LinkExtractor(allow=('position\.php\?&start=\d+'))   4、字符串去空格 str.strip()

示例二:爬取网页里面的信息(东莞)

爬虫模块

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 # -*- coding: utf-8 -*- import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from newdongguan.items import NewdongguanItem     class DongdongSpider(CrawlSpider):     name = 'dongdong'     allowed_domains = ['wz.sun0769.com']     start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']       # 每一页的匹配规则     pagelink = LinkExtractor(allow=("type=4"))     # 每一页里的每个帖子的匹配规则     contentlink = LinkExtractor(allow=(r"/html/question/\d+/\d+.shtml"))       rules = (         Rule(pagelink),         Rule(contentlink, callback = "parse_item",follow=False)     )       def parse_item(self, response):         item = NewdongguanItem()         # 标题         item['title'= response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()').extract()[0]         # 编号         item['number'= item['title'].split(' ')[-1].split(":")[-1]         # 内容,先使用有图片情况下的匹配规则,如果有内容,返回所有内容的列表集合         content = response.xpath('//div[@class="contentext"]/text()').extract()         # 如果没有内容,则返回空列表,则使用无图片情况下的匹配规则         if len(content) == 0:             content = response.xpath('//div[@class="c1 text14_2"]/text()').extract()             item['content'= "".join(content).strip()         else:             item['content'= "".join(content).strip()         # 链接         item['url'= response.url           yield item

管道模块

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 # -*- coding: utf-8 -*-   # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html import json   class DongguancrawlspiderPipeline(object):     def __init__(self):         self.file = open('dongguan.json','wb')       def process_item(self, item, spider):         text = json.dumps(dict(item),ensure_ascii=False)+'\n'         self.file.write(text.encode('utf-8'))         return item       def close_spider(self,spider):         self.file.close()
爬虫的自我修养 items.py 爬虫的自我修养 settings.py

1、提取出来的链接可能被篡改,所以我们可以通过process_link来修改url(一般不会遇到)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule from newdongguan.items import NewdongguanItem     class DongdongSpider(CrawlSpider):     name = 'dongdong'     allowed_domains = ['wz.sun0769.com']     start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']       # 每一页的匹配规则     pagelink = LinkExtractor(allow=("type=4"))     # 每一页里的每个帖子的匹配规则     contentlink = LinkExtractor(allow=(r"/html/question/\d+/\d+.shtml"))       rules = (         # 本案例的url被web服务器篡改,需要调用process_links来处理提取出来的url         Rule(pagelink, process_links = "deal_links"),         Rule(contentlink, callback = "parse_item")     )       # links 是当前response里提取出来的链接列表     def deal_links(self, links):         for each in links:             each.url = each.url.replace("?","&").replace("Type&","Type?")         return links       def parse_item(self, response):         ...

2、修改成spider类

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 # -*- coding: utf-8 -*- import scrapy from newdongguan.items import NewdongguanItem     class DongdongSpider(scrapy.Spider):     name = 'xixi'     allowed_domains = ['wz.sun0769.com']     url = 'http://wz.sun0769.com/index.php/question/questionType?type=4&page='     offset = 0     start_urls = [url + str(offset)]         def parse(self, response):         # 每一页里的所有帖子的链接集合         links = response.xpath('//div[@class="greyframe"]/table//td/a[@class="news14"]/@href').extract()         # 迭代取出集合里的链接         for link in links:             # 提取列表里每个帖子的链接,发送请求放到请求队列里,并调用self.parse_item来处理             yield scrapy.Request(link, callback = self.parse_item)           # 页面终止条件成立前,会一直自增offset的值,并发送新的页面请求,调用parse方法处理         if self.offset <= 71160:             self.offset += 30             # 发送请求放到请求队列里,调用self.parse处理response             yield scrapy.Request(self.url + str(self.offset), callback = self.parse)       # 处理每个帖子的response内容     def parse_item(self, response):         item = NewdongguanItem()         # 标题         item['title'= response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()').extract()[0]         # 编号         item['number'= item['title'].split(' ')[-1].split(":")[-1]         # 内容,先使用有图片情况下的匹配规则,如果有内容,返回所有内容的列表集合         content = response.xpath('//div[@class="contentext"]/text()').extract()         # 如果没有内容,则返回空列表,则使用无图片情况下的匹配规则         if len(content) == 0:             content = response.xpath('//div[@class="c1 text14_2"]/text()').extract()             item['content'= "".join(content).strip()         else:             item['content'= "".join(content).strip()         # 链接         item['url'= response.url           # 交给管道         yield item

小Tips:

1 2 3 4 5 6 7 8 9 10 list = [a,b,c] string = "123".join(list) print(string) >> a 123b 123c   string.replace("\xa0","")   # 将空格换成空   string.strip()      # 去首尾的空格 string.lstrip()     # 去左边(前面)的空格 string.rstrip()     # 去右边(后面)的空格
上一篇:Day19:剑指 Offer 64. 求1+2+…+n


下一篇:剑指 Offer 64. 求1+2+…+n【力扣】