scrapy genspider -t crawl --小例子

1.目标

利用链接提取器爬取目标网站简单信息

 

2.代码

read.py

# -*- coding: utf-8 -*-
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

from ..items import ReadbookItem

'''
scrapy genspider -t crawl read www.XXXXX.com
但是这样子我ignore第一页的content,
原因是起始页不正确：false（1107_1.html）true（1107_1.html）
'''
class ReadSpider(CrawlSpider):
    name = 'read'
    allowed_domains = ['www.dushu.com']
    start_urls = ['https://www.dushu.com/book/1107_1.html']

    rules = (
        Rule(LinkExtractor(allow=r'/book/1107_\d+.html'),
             callback='parse_item',
             follow=True), 
    )

    def parse_item(self, response):
        # 这个结构可以用item+yield代替
        # i = {}
        # #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
        # #i['name'] = response.xpath('//div[@id="name"]').extract()
        # #i['description'] = response.xpath('//div[@id="description"]').extract()
        # return i

        res = response

        img_list = res.xpath('//div[@class="book-info"]//img')
        for img in img_list:
            # 这里图片用了js懒加载，故而解析data-original
            # meanwhile 使用了防盗链，403，没有权限拒加载图片,
            # 这个网站直接修改user-agent，或者修改默认请求头，即可解决，
            # 他没有校验referer，判断你是否从上一页跳转过来的
            pictrue = img.xpath('./@data-original').extract_first()
            title = img.xpath('./@alt').extract_first()
            #
            # print(pictrue)
            # print(title)

            item = ReadbookItem()

            item['title'] = title
            item['pictrue'] = pictrue

            yield item

 

 

 

　

 

pipeline.py

# -*- 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


class ReadbookPipeline(object):


    def open_spider(self,spider):
        self.fp = open('info.json','w+',encoding='utf-8')


    def process_item(self, item, spider):
        self.fp.write(str(item) )

        return item

    def close_spider(self , spider):
        self.fp.close()

 

items.py

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

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class ReadbookItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    pictrue = scrapy.Field()

　　

 

3.扩展

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 ，添加回调函数callback后为 False,不跟踪

一句话解释:follow可以理解为回调自己的回调函数

举个例子,如百度百科,从任意一个词条入手,抓取词条中的超链接来跳转,rule会对超链接发起requests请求,如follow为True,scrapy会在返回的response中验证是否还有符合规则的条目,继续跳转发起请求抓取,周而复始,如下图

   

                                                         

1. 遍历所有的Rule对象, 并使用其link_extractor属性提取链接
2. 对于提取到的链接, 我们把它加入到一个集合中
3. 使用链接发送一个请求, 并且callback的最终结果是self._parse_response
4. 同时在你可以在规则提取里添加多个提取规则作用于下一级URL提取

5. rules = (
           Rule(LinkExtractor(allow=r'/book/1107_\d+.html'),
                callback='parse_item',
                follow=True), 
           Rule(LinkExtractor(allow=r'XXXXXX'),
                callback='parse_item',
                follow=True),  
           Rule(LinkExtractor(allow=r'XXXXX'),
                callback='parse_item',
                follow=True), 
       )
   

   　　然后在回调函数里还可以配合scrapy.Request()使用来提取详细信息

       上述操作表明, 当我们follow一个链接时, 我们其实是用rules把这个链接返回的response再提取一遍.

 

所以要注意read.py里的follow的布尔值。

 

参考：https://blog.csdn.net/qq_18525247/article/details/82743614，https://zhuanlan.zhihu.com/p/25650763