Python 爬虫从入门到进阶之路(十八)

在之前的文章我们通过 scrapy 框架 及 scrapy.Spider 类做了一个《糗事百科》的糗百爬虫,本章我们再来看一下相较于 scrapy.Spider 类更为强大的 CrawlSpider 类。

CrawlSpider 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 class CrawlSpider(Spider):
 2     rules = ()
 3     def __init__(self, *a, **kw):
 4         super(CrawlSpider, self).__init__(*a, **kw)
 5         self._compile_rules()
 6 
 7     #首先调用parse()来处理start_urls中返回的response对象
 8     #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()
 9     #设置了跟进标志位True
10     #parse将返回item和跟进了的Request对象    
11     def parse(self, response):
12         return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)
13 
14     #处理start_url中返回的response,需要重写
15     def parse_start_url(self, response):
16         return []
17 
18     def process_results(self, response, results):
19         return results
20 
21     #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
22     def _requests_to_follow(self, response):
23         if not isinstance(response, HtmlResponse):
24             return
25         seen = set()
26         #抽取之内的所有链接,只要通过任意一个'规则',即表示合法
27         for n, rule in enumerate(self._rules):
28             links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]
29             #使用用户指定的process_links处理每个连接
30             if links and rule.process_links:
31                 links = rule.process_links(links)
32             #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()
33             for link in links:
34                 seen.add(link)
35                 #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
36                 r = Request(url=link.url, callback=self._response_downloaded)
37                 r.meta.update(rule=n, link_text=link.text)
38                 #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.
39                 yield rule.process_request(r)
40 
41     #处理通过rule提取出的连接,并返回item以及request
42     def _response_downloaded(self, response):
43         rule = self._rules[response.meta['rule']]
44         return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)
45 
46     #解析response对象,会用callback解析处理他,并返回request或Item对象
47     def _parse_response(self, response, callback, cb_kwargs, follow=True):
48         #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)
49         #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,
50         #然后再交给process_results处理。返回cb_res的一个列表
51         if callback:
52             #如果是parse调用的,则会解析成Request对象
53             #如果是rule callback,则会解析成Item
54             cb_res = callback(response, **cb_kwargs) or ()
55             cb_res = self.process_results(response, cb_res)
56             for requests_or_item in iterate_spider_output(cb_res):
57                 yield requests_or_item
58 
59         #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
60         if follow and self._follow_links:
61             #返回每个Request对象
62             for request_or_item in self._requests_to_follow(response):
63                 yield request_or_item
64 
65     def _compile_rules(self):
66         def get_method(method):
67             if callable(method):
68                 return method
69             elif isinstance(method, basestring):
70                 return getattr(self, method, None)
71 
72         self._rules = [copy.copy(r) for r in self.rules]
73         for rule in self._rules:
74             rule.callback = get_method(rule.callback)
75             rule.process_links = get_method(rule.process_links)
76             rule.process_request = get_method(rule.process_request)
77 
78     def set_crawler(self, crawler):
79         super(CrawlSpider, self).set_crawler(crawler)
80         self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)

CrawlSpider继承于Spider类,除了继承过来的属性外(name、allow_domains),还提供了新的属性和方法:

LinkExtractors

 from scrapy.linkextractors import LinkExtractor 

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。

 1 class scrapy.linkextractors.LinkExtractor(
 2     allow = (),
 3     deny = (),
 4     allow_domains = (),
 5     deny_domains = (),
 6     deny_extensions = None,
 7     restrict_xpaths = (),
 8     tags = ('a','area'),
 9     attrs = ('href'),
10     canonicalize = True,
11     unique = True,
12     process_value = None
13 )

主要参数:

  • 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。

  • restrict_xpaths:使用xpath表达式,和allow共同作用过滤链接。

rules

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。

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

 

接下来我们就按上面所说的内容将之前的糗百爬虫做一下修改,我们将 qiubaiSpider.py 的代码改为如下:

 1 import scrapy
 2 # 导入CrawlSpider类和Rule
 3 from scrapy.spiders import CrawlSpider, Rule
 4 # 导入链接规则匹配类,用来提取符合规则的连接
 5 from scrapy.linkextractors import LinkExtractor
 6 from ..items import QiushiItem
 7 
 8 
 9 class QiushiSpider(CrawlSpider):
10     # 爬虫名
11     name = "qiubai"
12     # 允许爬虫作用的范围,不能越界
13     allowd_domains = ["https://www.qiushibaike.com/"]
14     # 爬虫起始url
15     start_urls = ["https://www.qiushibaike.com/text/page/1/"]
16     # 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
17     pageLink = LinkExtractor(allow=("/page/\d+"))
18     # 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
19     rules = [
20         Rule(pageLink, callback="parseContent", follow=True)
21     ]
22 
23     # 指定的回调函数
24     def parseContent(self, response):
25         # 通过 scrayy 自带的 xpath 匹配想要的信息
26         qiushi_list = response.xpath('//div[contains(@id,"qiushi_tag")]')
27         for site in qiushi_list:
28             # 实例化从 items.py 导入的 QiushiItem 类
29             item = QiushiItem()
30             # 根据查询发现匿名用户和非匿名用户的标签不一样
31             try:
32                 # 非匿名用户
33                 username = site.xpath('./div/a/img/@alt')[0].extract()  # 作者
34                 imgUrl = site.xpath('./div/a/img/@src')[0].extract()  # 头像
35             except Exception:
36                 # 匿名用户
37                 username = site.xpath('./div/span/img/@alt')[0].extract()  # 作者
38                 imgUrl = site.xpath('./div/span/img/@src')[0].extract()  # 头像
39             content = site.xpath('.//div[@class="content"]/span[1]/text()').extract()
40             item['username'] = username
41             item['imgUrl'] = "https:" + imgUrl
42             item['content'] = content
43 
44             # 将获取的数据交给 pipeline 管道文件
45             yield item

在控制台或终端输入  scrapy crawl qiubai  即可运行程序并获取糗百数据。

需要注意的是在 rule 规则中的 callback 千万不能写 parse,因为 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。

 

posted @ 2019-07-15 10:46 丰寸 阅读(...) 评论(...) 编辑 收藏