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。
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。
