CrawlSpider

作用：基于全栈数据的爬取。

首先创建项目

• scrapy startproject choutiPro

• cd choutiPro

•  scrapy genspider -t crawl chouti www.xxx.com

【需求】：

　　爬取抽屉网段子类中所有的分页URL

代码部分：

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


class ChoutiSpider(CrawlSpider):
    name = 'chouti'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://dig.chouti.com/r/scoff/hot/1']
    # 链接提取器，allow表示的就是链接提取器提取链接的正则
    link = LinkExtractor(allow=r'/r/scoff/hot/\d+')
    rules = (
        # 规则解析器：将提取到的链接所对应的页面数据进行制定形式的解析
        Rule(link, callback='parse_item', follow=True),　　　　
        #如果follow设置为False的话。就只能拿到当前页的分页数据，也就是十条数据
        #  让链接提取器继续作用到链接提取器提取到的链接所对应的页面中
    )

    def parse_item(self, response):
        item = {}
        #item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()
        #item['name'] = response.xpath('//div[@id="name"]').get()
        #item['description'] = response.xpath('//div[@id="description"]').get()
        print(response)

　　

【需求】：

　　爬取抽屉网段子类中所有的分页URL

代码部分：

from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule



class ChoutiSpider(CrawlSpider):
    name = 'qiubai'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.qiushibaike.com/pic/']

    # 连接提取器:
    # allow:表示的就是链接提取器提取连接的规则(正则)/pic/page/3?s=5172496
    link = LinkExtractor(allow=r'/pic/page/\d+\?s=\d+')
    link1 = LinkExtractor(allow=r'/pic/$')
    # link1 = LinkExtractor(allow=r'')
    rules = (
        # 规则解析器:将链接提取器提取到的连接所对应的页面数据进行指定形式的解析
        Rule(link, callback='parse_item', follow=True),
        # 让连接提取器继续作用到链接提取器提取到的连接所对应的页面中

        Rule(link1, callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        print(response)