位置: 编程技术 - 正文
推荐整理分享Scrapy框架CrawlSpiders的介绍以及使用详解(Scrapy框架可以用于数据挖掘、监测和自动化测试),希望有所帮助,仅作参考,欢迎阅读内容。
文章相关热门搜索词:Scrapy框架可以用于数据挖掘监测和自动化测试,Scrapy框架可以用于数据挖掘、监测和自动化测试,scrapy框架组件,Scrapy框架中对所有的爬取请求进行调度管理的模块是,Scrapy框架中genspider命令作用是,scrapy框架组件,Scrapy框架步骤不包括,Scrapy框架可以用于数据挖掘、监测和自动化测试,内容如对您有帮助,希望把文章链接给更多的朋友!
在Scrapy基础——Spider中,我简要地说了一下Spider类。Spider基本上能做很多事情了,但是如果你想爬取知乎或者是简书全站的话,你可能需要一个更强大的武器。CrawlSpider基于Spider,但是可以说是为全站爬取而生。
CrawlSpiders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。
一、我们先来分析一下CrawlSpiders源码
二、 CrawlSpider爬虫文件字段的介绍
1、 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:class scrapy.linkextractors.LinkExtractorLink 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
主要参数:
① 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。② 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。③ allow_domains:会被提取的链接的domains。④ deny_domains:一定不会被提取链接的domains。⑤ restrict_xpaths:使用xpath表达式,和allow共同作用过滤链接。
2、 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 link_extractor:是一个Link Extractor对象,用于定义需要提取的链接。
② 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。
③ 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。
④ 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。
⑤ 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)
3、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。
Scrapy提供5层logging级别:
① CRITICAL - 严重错误(critical)② ERROR - 一般错误(regular errors)③ WARNING - 警告信息(warning messages)④ INFO - 一般信息(informational messages)⑤ DEBUG - 调试信息(debugging messages)
通过在setting.py中进行以下设置可以被用来配置logging:
① LOG_ENABLED 默认: True,启用logging② LOG_ENCODING 默认: 'utf-8',logging使用的编码③ LOG_FILE 默认: None,在当前目录里创建logging输出文件的文件名④ LOG_LEVEL 默认: 'DEBUG',log的最低级别⑤ 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。
三、 CrawlSpider爬虫案例分析
1、创建项目:scrapy startproject CrawlYouYuan
2、创建爬虫文件:scrapy genspider -t crawl youyuan youyuan.com
3、项目文件分析
items.py
youyuan.py
pipelines.py
settings.py
begin.py
在运行程序之前需要使Scrapy版本和Twisted版本相吻合,设置如下
这次分享详细介绍了使用Scrapy框架爬虫的具体步骤,并同时编写爬虫案例进行分析,很好的诠释了Scrapy框架爬取数据的方便性和易懂性,下篇文章我会分享下Scrapy分布式爬取网站,让我们一起学习,一起探讨爬虫技术。
友情链接: 武汉网站建设