CrawlSpiders

通过下面的命令可以快速创建 CrawlSpider模板的代码：

.scrapy startproject tencentspider

.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。

1.爬取腾讯

tencent.py

#!/usr/bin/env python

# -*- coding:utf- -*-

import scrapy

# 导入CrawlSpider类和Rule

from scrapy.spiders import CrawlSpider, Rule

# 导入链接规则匹配类，用来提取符合规则的连接

from scrapy.linkextractors import LinkExtractor

from TencentSpider.items import TencentItem

class TencentSpider(CrawlSpider):

    name = "tencent"

    allow_domains = ["hr.tencent.com"]

    start_urls = ["http://hr.tencent.com/position.php?&start=0#a"]

    # 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

    pagelink = LinkExtractor(allow=("start=\d+"))

    rules = [

        # 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

        Rule(pagelink, callback = "parseTencent", follow = True)

    ]

    # 指定的回调函数

    def parseTencent(self, response):

        #evenlist = response.xpath("//tr[@class='even'] | //tr[@class='odd']")

        #oddlist = response.xpath("//tr[@class='even'] | //tr[@class='odd']")

        #fulllist = evenlist + oddlist

        #for each in fulllist:

        for each in response.xpath("//tr[@class='even'] | //tr[@class='odd']"):

            item = TencentItem()

            # 职位名称

            item['positionname'] = each.xpath("./td[1]/a/text()").extract()[]

            # 详情连接

            item['positionlink'] = each.xpath("./td[1]/a/@href").extract()[]

            # 职位类别

            item['positionType'] = each.xpath("./td[2]/text()").extract()[]

            # 招聘人数

            item['peopleNum'] =  each.xpath("./td[3]/text()").extract()[]

            # 工作地点

            item['workLocation'] = each.xpath("./td[4]/text()").extract()[]

            # 发布时间

            item['publishTime'] = each.xpath("./td[5]/text()").extract()[]

            yield item

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

class scrapy.linkextractors.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｡

class scrapy.linkextractors.LinkExtractor(

    allow = (),

    deny = (),

    allow_domains = (),

    deny_domains = (),

    deny_extensions = None,

    restrict_xpaths = (),

    tags = ('a','area'),

    attrs = ('href'),

    canonicalize = True,

    unique = True,

    process_value = None

)

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。

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)

爬取规则(Crawling rules)

继续用腾讯招聘为例，给出配合rule使用CrawlSpider的例子:

首先运行

 scrapy shell "http://hr.tencent.com/position.php?&start=0#a"

导入LinkExtractor，创建LinkExtractor实例对象。：
```
 from scrapy.linkextractors import LinkExtractor

 page_lx = LinkExtractor(allow=('position.php?&start=\d+'))
```
allow : LinkExtractor对象最重要的参数之一，这是一个正则表达式，必须要匹配这个正则表达式(或正则表达式列表)的URL才会被提取，如果没有给出(或为空), 它会匹配所有的链接｡

deny : 用法同allow，只不过与这个正则表达式匹配的URL不会被提取)｡它的优先级高于 allow 的参数，如果没有给出(或None), 将不排除任何链接｡
调用LinkExtractor实例的extract_links()方法查询匹配结果：
```
 page_lx.extract_links(response)
```
没有查到：
```
 []
```

注意转义字符的问题，继续重新匹配：

 page_lx = LinkExtractor(allow=('position\.php\?&start=\d+'))

 # page_lx = LinkExtractor(allow = ('start=\d+'))

 page_lx.extract_links(response)

CrawlSpider 版本

那么，scrapy shell测试完成之后，修改以下代码

#提取匹配 'http://hr.tencent.com/position.php?&start=\d+'的链接

page_lx = LinkExtractor(allow = ('start=\d+'))

rules = [

    #提取匹配,并使用spider的parse方法进行分析;并跟进链接(没有callback意味着follow默认为True)

    Rule(page_lx, callback = 'parse', follow = True)

]

这么写对吗？

不对！千万记住 callback 千万不能写 parse，再次强调：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。

运行：

 scrapy crawl tencent

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，效果会清爽很多。

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:

LOG_ENABLED 默认: True，启用logging
LOG_ENCODING 默认: 'utf-8'，logging使用的编码
LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名
LOG_LEVEL 默认: 'DEBUG'，log的最低级别
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。

items.py

# -*- coding: utf- -*-

# Define here the models for your scraped items

#

# See documentation in:

# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class TencentItem(scrapy.Item):

    # define the fields for your item here like:

    # 职位名

    positionname = scrapy.Field()

    # 详情连接

    positionlink = scrapy.Field()

    # 职位类别

    positionType = scrapy.Field()

    # 招聘人数

    peopleNum = scrapy.Field()

    # 工作地点

    workLocation = scrapy.Field()

    # 发布时间

    publishTime = scrapy.Field()

pipelines.py

# -*- coding: utf- -*-

# 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 TencentPipeline(object):

    def __init__(self):

        self.filename = open("tencent.json", "w")

    def process_item(self, item, spider):

        text = json.dumps(dict(item), ensure_ascii = False) + ",\n"

        self.filename.write(text.encode("utf-8"))

        return item

    def close_spider(self, spider):

        self.filename.close()

2.爬取东莞

dongdong.py

# -*- coding: utf- -*-

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):

        item = NewdongguanItem()

        # 标题

        item['title'] = response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()').extract()[]

        # 编号

        item['number'] = item['title'].split(' ')[-].split(":")[-]

        # 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) == :

            content = response.xpath('//div[@class="c1 text14_2"]/text()').extract()

            #"".join(content).strip()把列表转换成字符串,去掉空格

            item['content'] = "".join(content).strip()

        else:

            item['content'] = "".join(content).strip()

        # 链接

        item['url'] = response.url

        yield item

items.py

# -*- coding: utf- -*-

# Define here the models for your scraped items

#

# See documentation in:

# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class NewdongguanItem(scrapy.Item):

    # define the fields for your item here like:

    # 标题

    title = scrapy.Field()

    # 编号

    number = scrapy.Field()

    # 内容

    content = scrapy.Field()

    # 链接

    url = scrapy.Field()

3.pipelines.py

# -*- coding: utf- -*-

# 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 codecs

import json

class NewdongguanPipeline(object):

    def __init__(self):

        # 创建一个文件

        self.filename = codecs.open("donggguan.json", "w", encoding = "utf-8")

    def process_item(self, item, spider):

        # 中文默认使用ascii码来存储，禁用后默认为Unicode字符串

        content = json.dumps(dict(item), ensure_ascii=False) + "\n"

        self.filename.write(content)

        return item

    def close_spider(self, spider):

        self.filename.close()

巴特西

11.CrawlSpiders