python爬蟲學習筆記 4.6 (CrawlSpider)
CrawlSpiders
通過下面的命令可以快速創建 CrawlSpider模板 的代碼:
scrapy genspider -t crawl tencent tencent.com
上一個案例中,我們通過正則表達式,製作了新的url作爲Request請求參數,現在我們可以換個花樣…
class scrapy.spiders.CrawlSpider
它是Spider的派生類,Spider類的設計原則是隻爬取start_url列表中的網頁,而CrawlSpider類定義了一些規則(rule)來提供跟進link的方便的機制,從爬取的網頁中獲取link並繼續爬取的工作更適合。
源碼參考
class CrawlSpider(Spider):
rules = ()
def __init__(self, *a, **kw):
super(CrawlSpider, self).__init__(*a, **kw)
self._compile_rules()
#首先調用parse()來處理start_urls中返回的response對象
#parse()則將這些response對象傳遞給了_parse_response()函數處理,並設置回調函數爲parse_start_url()
#設置了跟進標誌位True
#parse將返回item和跟進了的Request對象
def parse(self, response):
return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)
#處理start_url中返回的response,需要重寫
def parse_start_url(self, response):
return []
def process_results(self, response, results):
return results
#從response中抽取符合任一用戶定義'規則'的鏈接,並構造成Resquest對象返回
def _requests_to_follow(self, response):
if not isinstance(response, HtmlResponse):
return
seen = set()
#抽取之內的所有鏈接,只要通過任意一個'規則',即表示合法
for n, rule in enumerate(self._rules):
links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]
#使用用戶指定的process_links處理每個連接
if links and rule.process_links:
links = rule.process_links(links)
#將鏈接加入seen集合,爲每個鏈接生成Request對象,並設置回調函數爲_repsonse_downloaded()
for link in links:
seen.add(link)
#構造Request對象,並將Rule規則中定義的回調函數作爲這個Request對象的回調函數
r = Request(url=link.url, callback=self._response_downloaded)
r.meta.update(rule=n, link_text=link.text)
#對每個Request調用process_request()函數。該函數默認爲indentify,即不做任何處理,直接返回該Request.
yield rule.process_request(r)
#處理通過rule提取出的連接,並返回item以及request
def _response_downloaded(self, response):
rule = self._rules[response.meta['rule']]
return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)
#解析response對象,會用callback解析處理他,並返回request或Item對象
def _parse_response(self, response, callback, cb_kwargs, follow=True):
#首先判斷是否設置了回調函數。(該回調函數可能是rule中的解析函數,也可能是 parse_start_url函數)
#如果設置了回調函數(parse_start_url()),那麼首先用parse_start_url()處理response對象,
#然後再交給process_results處理。返回cb_res的一個列表
if callback:
#如果是parse調用的,則會解析成Request對象
#如果是rule callback,則會解析成Item
cb_res = callback(response, **cb_kwargs) or ()
cb_res = self.process_results(response, cb_res)
for requests_or_item in iterate_spider_output(cb_res):
yield requests_or_item
#如果需要跟進,那麼使用定義的Rule規則提取並返回這些Request對象
if follow and self._follow_links:
#返回每個Request對象
for request_or_item in self._requests_to_follow(response):
yield request_or_item
def _compile_rules(self):
def get_method(method):
if callable(method):
return method
elif isinstance(method, basestring):
return getattr(self, method, None)
self._rules = [copy.copy(r) for r in self.rules]
for rule in self._rules:
rule.callback = get_method(rule.callback)
rule.process_links = get_method(rule.process_links)
rule.process_request = get_method(rule.process_request)
def set_crawler(self, crawler):
super(CrawlSpider, self).set_crawler(crawler)
self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)
CrawlSpider繼承於Spider類,除了繼承過來的屬性外(name、allow_domains),還提供了新的屬性和方法:
rules
CrawlSpider使用rules來決定爬蟲的爬取規則,並將匹配後的url請求提交給引擎。所以在正常情況下,CrawlSpider不需要單獨手動返回請求了。
在rules中包含一個或多個Rule對象,每個Rule對爬取網站的動作定義了某種特定操作,比如提取當前相應內容裏的特定鏈接,是否對提取的鏈接跟進爬取,對提交的請求設置回調函數等。
如果多個rule匹配了相同的鏈接,則根據規則在本集合中被定義的順序,第一個會被使用。
class scrapy.spiders.Rule(
link_extractor,
callback = None,
cb_kwargs = None,
follow = None,
process_links = None,
process_request = None
)
-
link_extractor:是一個Link Extractor對象,用於定義需要提取的鏈接。
-
callback: 從link_extractor中每獲取到鏈接時,參數所指定的值作爲回調函數,該回調函數接受一個response作爲其第一個參數。
注意:當編寫爬蟲規則時,避免使用parse作爲回調函數。由於 CrawlSpider使用parse方法來實現其邏輯,如果覆蓋了 parse方法 ,crawl spider將會運行失敗。
-
follow:是一個布爾(boolean)值,指定了根據該規則從response提取的鏈接是否需要跟進。 如果callback爲None,follow 默認設置爲True ,否則默認爲False。
-
process_links:指定該spider中哪個的函數將會被調用,從link_extractor中獲取到鏈接列表時將會調用該函數。該方法主要用來過濾。
-
process_request:指定該spider中哪個的函數將會被調用, 該規則提取到每個request時都會調用該函數。 (用來過濾request)
LinkExtractors
class scrapy.linkextractors.LinkExtractor
Link Extractors 的目的很簡單: 提取鏈接。
每個LinkExtractor有唯一的公共方法是 extract_links(),它接收一個 Response 對象,並返回一個 scrapy.link.Link 對象。
Link Extractors要實例化一次,並且 extract_links 方法會根據不同的 response 調用多次提取鏈接。
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
)
主要參數:
-
allow:滿足括號中“正則表達式”的URL會被提取,如果爲空,則全部匹配。
-
deny:滿足括號中“正則表達式”的URL一定不提取(優先級高於allow)。
-
allow_domains:會被提取的鏈接的domains。
-
deny_domains:一定不會被提取鏈接的domains。
-
restrict_xpaths:使用xpath表達式,和allow共同作用過濾鏈接。
爬取規則(Crawling rules)
繼續用騰訊招聘爲例,給出配合rule使用CrawlSpider的例子:
首先運行
scrapy shell "http://hr.tencent.com/position.php?&start=0#a"
導入LinkExtractor,創建LinkExtractor實例對象。:
from scrapy.linkextractors import LinkExtractor
page_lx = LinkExtractor(allow=('position.php?&start=\d+'))
allow : LinkExtractor對象最重要的參數之一,這是一個正則表達式,
必須要匹配這個正則表達式(或正則表達式列表)的URL纔會被提取,
如果沒有給出(或爲空), 它會匹配所有的鏈接。
deny : 用法同allow,只不過與這個正則表達式匹配的URL不會被提取)。
它的優先級高於 allow 的參數,如果沒有給出(或None), 將不排除任何鏈接。
調用LinkExtractor實例的extract_links()方法查詢匹配結果:
page_lx.extract_links(response)
沒有查到:
[]
注意轉義字符的問題,繼續重新匹配:
page_lx = LinkExtractor(allow=('position\.php\?&start=\d+'))
# page_lx = LinkExtractor(allow = ('start=\d+'))
page_lx.extract_links(response)
CrawlSpider 版本
那麼,scrapy shell測試完成之後,修改以下代碼
#提取匹配 'http://hr.tencent.com/position.php?&start=\d+'的鏈接
page_lx = LinkExtractor(allow = ('start=\d+'))
rules = [
#提取匹配,並使用spider的parse方法進行分析;並跟進鏈接(沒有callback意味着follow默認爲True)
Rule(page_lx, callback = 'parse', follow = True)
]
這麼寫對嗎?
不對!千萬記住 callback 千萬不能寫 parse,再次強調:由於CrawlSpider使用parse方法來實現其邏輯,如果覆蓋了 parse方法,crawl spider將會運行失敗。
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class TecentSpider(CrawlSpider):
name = 'tecent'
allowed_domains = ['hr.tencent.com']
start_urls = ['http://hr.tencent.com/position.php?&start=0']
page_lx = LinkExtractor(allow=r'start=\d+')
#position.php?&start=10#a
rules = (
Rule(page_lx, callback='parse_item', follow=True),
)
def parse_item(self, response):
items = response.xpath('//*[contains(@class,"odd") or contains(@class,"even")]')
for item in items:
temp = dict(
position=item.xpath("./td[1]/a/text()").extract()[0],
detailLink="http://hr.tencent.com/" + item.xpath("./td[1]/a/@href").extract()[0],
type=item.xpath('./td[2]/text()').extract()[0] if len(
item.xpath('./td[2]/text()').extract()) > 0 else None,
need_num=item.xpath('./td[3]/text()').extract()[0],
location=item.xpath('./td[4]/text()').extract()[0],
publish_time=item.xpath('./td[5]/text()').extract()[0]
)
print(temp)
yield temp
# parse() 方法不需要重寫
# def parse(self, response):
# pass
運行: scrapy crawl tencent
Logging
Scrapy提供了log功能,可以通過 logging 模塊使用。
可以修改配置文件settings.py,任意位置添加下面兩行,效果會清爽很多。
LOG_FILE = "TencentSpider.log"
LOG_LEVEL = "INFO"
Log levels
-
Scrapy提供5層logging級別:
-
CRITICAL - 嚴重錯誤(critical)
-
ERROR - 一般錯誤(regular errors)
-
WARNING - 警告信息(warning messages)
-
INFO - 一般信息(informational messages)
-
DEBUG - 調試信息(debugging messages)
logging設置
通過在setting.py中進行以下設置可以被用來配置logging:
- LOG_ENABLED 默認: True,啓用logging
- LOG_ENCODING 默認: ‘utf-8’,logging使用的編碼
- LOG_FILE 默認: None,在當前目錄裏創建logging輸出文件的文件名
- LOG_LEVEL 默認: ‘DEBUG’,log的最低級別
- LOG_STDOUT 默認: False 如果爲 True,進程所有的標準輸出(及錯誤)將會被重定向到log中。例如,執行 print “hello” ,其將會在Scrapy log中顯示。