位置: 编程技术 - 正文

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)

编辑:rootadmin

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。

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)

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。

标签: Scrapy框架可以用于数据挖掘、监测和自动化测试

本文链接地址:https://www.jiuchutong.com/biancheng/375469.html 转载请保留说明!

上一篇:pycharm下打开、执行并调试scrapy爬虫程序的方法(pycharm打开文件怎么运行)

下一篇:Python实现的计数排序算法示例(python怎么计数)

  • 啥子是增值税
  • 文化创意服务的税率
  • 处置其他权益工具投资时,应按取得的价款
  • 特殊贸易区域怎样选择
  • 境内企业借外债最新政策出台
  • 人民币结算意味着什么
  • 车间停产期间设施有哪些
  • 哪些政府补助属于国家
  • 增值税零申报什么意思
  • 房企行业其他应收账款的来源是什么
  • 主营业务成本没有结转怎么办
  • 电子发票逾期未报税怎么办
  • 退车辆保险费如何计算
  • 企业合并无形资产摊销
  • 基本户是否可以冻结
  • win7怎么获取管理员
  • 生产经营所得投资者减除费用季度申报填吗
  • win11 zen2
  • 当月费用下月付款怎么做账
  • 利息股息红利个税计算表
  • 住房公积金领出来用了影响以后买房贷款吗
  • 物流中的代收货款是什么意思
  • PHP:mcrypt_generic_end()的用法_Mcrypt函数
  • 存货损失是指什么
  • 业务招待费专票可以抵扣增值税吗
  • 固定资产清理主要核算什么
  • 金蝶 账无忧 使用说明
  • php实现的功能
  • 融资租入的机器设备属于什么科目
  • php中&&什么意思
  • 应收票据有利息收入吗
  • 代理返点怎么算
  • 税控机清单
  • sql优化常用的15种方法
  • 计提提成是什么意思
  • 母子公司吸收合并的税收有哪些
  • 建筑业外管证预审要多久
  • 发放工资的转账支票收款人
  • sql2008数据库维护计划
  • 什么是一般公共预算财政拨款
  • 跨年发票分录
  • 商业承兑汇票风险高吗
  • 物业公司预收款账务处理
  • 运输费用增值税税率9%
  • 财务费用手续费借贷方向
  • 被工商吊销营业执照怎么办
  • 非流动资产减少
  • 销项负数发票开了需要给对方重开发票吗?
  • 公司购买的办公楼怎么交房产税
  • 公司拿房子抵债需要缴纳什么税费
  • 库存商品成本差异怎么结转
  • 所得税滞纳金怎么算的
  • 新公司成立建账流程
  • mysql中函数创建与调用示例
  • 微软软件安装
  • centos设置开机启动项
  • centos如何禁ping
  • 电脑更新windows11后开机一黑屏
  • windows8启动项在哪里
  • WindowsPE与WindowsRE有什么区别
  • macbookpro接听苹果手机电话
  • linux中怎么在文件中添加内容
  • bootstrap designer
  • android开发环境的搭建步骤
  • Unity3D游戏开发毕业论文
  • js 对象声明
  • 提高网站性能
  • unity延迟调用函数
  • jquery 延迟对象
  • unity3d导出fbx文件
  • javascript教程chm
  • jquery使用css
  • unityui渲染顺序
  • jq cookie
  • 手把手教你打造一个花灯笼,老师看到肯定惊喜
  • python怎么写函数
  • 上海市国家税务局地址
  • 公对私转账怎么开票
  • 经营数据分析需要学什么
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设