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)

  • 电梯安装费发票
  • 代扣代缴境外增值税可以抵扣
  • 买车交的保险
  • 车辆使用费属于什么税收分类
  • 企业所得税汇算清缴时间
  • 主营业务收入明细表格模板
  • 资金结存期末余额方向
  • 支付税盘服务费怎么做账
  • 个人独资企业服务中心是干嘛的
  • 备发职工工资属于什么会计科目
  • 农产品代销合同协议书范本
  • 免息分期怎么还款
  • 产权转移书据印花税是双方交吗
  • 非独立核算的分公司注销流程
  • 个人遗失的定义
  • 进项发票可以抵扣吗
  • 服装发票怎么进项抵扣
  • 税收优先权的表述
  • 在职员工 开公司
  • 现金日记账本月合计图
  • 移动纸质发票
  • 电信服务通信服务费计入什么科目
  • 汇兑产出的收益计入
  • 诊所免税政策
  • 模具成本怎么核算
  • 国外交工作的基本出发点和落脚点是
  • 个税系统添加人员出现证件号码不符合一般规则
  • 以前年度应付账款转收入
  • php get post
  • 在途物资和材料采购属于存货吗
  • 公允价值进行会计计量
  • 残疾人保障基金减免政策
  • win11电源高性能模式代码
  • js获取本机ip地址
  • 自动驾驶 模块
  • 城建税减半吗
  • element表格表单
  • mongodb bi
  • 保理属于什么行业分类
  • 会计为什么不能有0
  • 预计可变现净值与账面成本的关系
  • 建造合同信息表
  • 固定资产账实不符违反的规定
  • 收到退留抵税额会计分录
  • 4.建筑业企业资质
  • 一家新成立的贸易企业
  • 母公司设立子公司协议
  • 生产成本二级科目设置
  • 小规模纳税人退税政策
  • 收到客户回款 应收账款减少还是增多
  • 虚增利润怎么调整
  • 收到货款会计分录怎么写
  • 土地补贴款是什么意思
  • 库存结转成本如何计算
  • 什么是小微企业
  • 事业单位收费可以收取相关服务费吗
  • 托收承付的承付是指
  • 分享一个简单的故事英语
  • mysql的ip怎么看
  • Linux安装MySQL教程(二进制分发版)
  • windows2000怎么安装
  • win7系统关机很慢什么原因
  • win7登录密码怎么改
  • keyword是啥
  • lsass exe
  • win7安装内存4g
  • 拉伸设置
  • jquery 元素
  • node.js创建服务
  • android真机调试闪退
  • shell的实现
  • javascript边框
  • 用python写个脚本
  • 免税证明怎么开?(国税局已回复)
  • 利息收入通过什么科目核算
  • 云南地税局官网
  • 期房交了契税就可以拿房产证了吗
  • 厦门地税电话客服电话
  • 南京江宁汽车过户手续及费用
  • 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