python爬虫-scrapy基于CrawlSpider类的全站数据爬取

文章目录

一、CrawlSpider类介绍

1.1 引入

使用scrapy框架进行全站数据爬取可以基于Spider类,也可以使用接下来用到的CrawlSpider类。基于Spider类的全站数据爬取之前举过栗子,感兴趣的可以康康

1.2 介绍和使用

1.2.1 介绍

CrawlSpider是Spider的一个子类,因此CrawlSpider除了继承Spider的特性和功能外,还有自己特有的功能,主要用到的是 LinkExtractor()rules = (Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),)

  • LinkExtractor()链接提取器
    LinkExtractor()接受response对象,并根据allow对应的正则表达式提取响应对象中的链接
link = LinkExtractor(
# Items只能是一个正则表达式,会提取当前页面中满足该"正则表达式"的url	
   allow=r'Items/'
)
  • rules = (Rule(link, callback='parse_item', follow=True),)规则解析器
    按照指定规则从链接提取器中提取到的链接中解析网页数据
    link:是一个LinkExtractor()对象,指定链接提取器
    callback:回调函数,指定规则解析器(解析方法)解析数据
    follow:是否将链接提取器继续作用到链接提取器提取出的链接网页
import scrapy
# 导入相关的包
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

class TextSpider(CrawlSpider):
    name = 'text'
    allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.xxx.com/']

# 链接提取器,从接受到的response对象中,根据item正则表达式提取页面中的链接
	link = LinkExtractor(allow=r'Items/')
	link2 = LinkExtractor(allow=r'Items/')
# 规则解析器,根据callback将链接提取器提取到的链接进行数据解析
# follow为true,则表示将链接提取器继续作用到链接提取器所提取到的链接页面中
# 故:在我们提取多页数据时,若第一页对应的网页中包含了第2,3,4,5页的链接,
# 当跳转到第5页时,第5页又包含了第6,7,8,9页的链接,
# 令follow=True,就可以持续作用,从而提取到所有页面的链接
    rules = (Rule(link, callback='parse_item', follow=True),
    		Rule(link2,callback='parse_content',follow=False))
    # 链接提取器link使用parse_item解析数据
	def parse_item(self, response):
        item = {}
        
        yield item
    # 链接提取器link2使用parse_content解析数据
	def parse_content(self, response):
		item = {}
		
		yield item

1.2.2 使用

scrapy genspider crawl -t spiderName www.xxx.com 

二、案例:古诗文网全站数据爬取

爬取古诗文网首页古诗的标题,以及每一首诗详情页古诗的标题和内容。
最后将从详情页提取到的古诗标题和内容进行持久化存储

2.1 爬虫文件

import scrapy
from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule
from gushiPro.items import GushiproItem,ContentItem

class GushiSpider(CrawlSpider):
    name = 'gushi'
   #allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.gushiwen.org/']

    # 链接提取器:只能使用正则表达式,提取当前页面的满足allow条件的链接
    link = LinkExtractor(allow=r'/default_\d+\.aspx')

    # 链接提取器,提取所有标题对应的详情页url
    content_link = LinkExtractor(allow=r'cn/shiwenv_\w+\.aspx')
    rules = (
        # 规则解析器,需要解析所有的页面,所有follow=True
        Rule(link, callback='parse_item', follow=True),

        # 不需要写follow,因为我们只需要解析详情页中的数据,而不是详情页中的url
        Rule(content_link, callback='content_item'),
    )

    # 解析当前页面的标题
    def parse_item(self, response):
        p_list = response.xpath('//div[@class="sons"]/div[1]/p[1]')

        for p in p_list:
            title = p.xpath('./a//text()').extract_first()
            item = GushiproItem()
            item['title'] = title
            yield item
            
    # 解析详情页面的标题和内容
    def content_item(self,response):
        # //div[@id="sonsyuanwen"]/div[@class="cont"]/div[@class="contson"]
        # 解析详情页面的内容
        content = response.xpath('//div[@id="sonsyuanwen"]/div[@class="cont"]/div[@class="contson"]//text()').extract()
        content = "".join(content)
        # # 解析详情页面的标题
        title = response.xpath('//div[@id="sonsyuanwen"]/div[@class="cont"]/h1/text()').extract_first()
        # print("title:"+title+"\ncontent:"+content)
        item = ContentItem()
        item["content"] = content
        item["title"] = title
        # 将itme对象传给管道
        yield item

2.2 item文件

import scrapy

# 不同的item类是独立的,他们可以创建不同的item对象
class GushiproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()

class ContentItem(scrapy.Item):
    title = scrapy.Field()
    content = scrapy.Field()

2.3 管道文件

from itemadapter import ItemAdapter

class GushiproPipeline:
    def __init__(self):
         self.fp = None

    def open_spider(self,spider):
        self.fp = open("gushi.txt",'w',encoding='utf-8')
        print("开始爬虫")

    def process_item(self, item, spider):
        # 从详情页获取标题和内容,所以需要判断爬虫文件中传来的item是什么类的item
        # item.__class__.__name__判断属于什么类型的item
        if item.__class__.__name__ == "ContentItem":
            content  = "《"+item['title']+"》",item['content']
            content = "".join(content) 
            print(content)
            self.fp.write(content)
        return item

    def close_spider(self,spider):
        self.fp.close()
        print("结束爬虫")

2.4 配置文件

python爬虫-scrapy基于CrawlSpider类的全站数据爬取

2.5 输出结果

python爬虫-scrapy基于CrawlSpider类的全站数据爬取

上一篇:以太坊DApp开发指南


下一篇:[计算机图形学基础]实现一个TinyRenderer --- 移动摄像机