Python 爬虫从入门到进阶之路（十八） - 好文

在之前的文章我们通过 scrapy 框架及 scrapy.Spider 类做了一个《糗事百科》的糗百爬虫，本章我们再来看一下相较于
scrapy.Spider 类更为强大的 CrawlSpider 类。

CrawlSpider 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。

源码参考
1 class CrawlSpider(Spider): 2 rules = () 3 def __init__(self, *a, **kw): 4
super(CrawlSpider, self).__init__(*a, **kw) 5 self._compile_rules() 6 7 #
首先调用parse()来处理start_urls中返回的response对象 8 #
parse()则将这些response对象传递给了_parse_response()函数处理，并设置回调函数为parse_start_url() 9 #
设置了跟进标志位True 10 #parse将返回item和跟进了的Request对象 11 def parse(self, response): 12
return self._parse_response(response, self.parse_start_url, cb_kwargs={},
follow=True) 13 14 #处理start_url中返回的response，需要重写 15 def parse_start_url(self,
response):16 return [] 17 18 def process_results(self, response, results): 19
return results 20 21 #从response中抽取符合任一用户定义'规则'的链接，并构造成Resquest对象返回 22 def
_requests_to_follow(self, response):23 if not isinstance(response,
HtmlResponse):24 return 25 seen = set() 26 #抽取之内的所有链接，只要通过任意一个'规则'，即表示合法 27 for
n, rulein enumerate(self._rules): 28 links = [l for l in
rule.link_extractor.extract_links(response)if l not in seen] 29 #
使用用户指定的process_links处理每个连接 30 if links and rule.process_links: 31 links =
rule.process_links(links)32 #
将链接加入seen集合，为每个链接生成Request对象，并设置回调函数为_repsonse_downloaded() 33 for link in
links:34 seen.add(link) 35 #构造Request对象，并将Rule规则中定义的回调函数作为这个Request对象的回调函数 36
r = Request(url=link.url, callback=self._response_downloaded) 37
r.meta.update(rule=n, link_text=link.text) 38 #
对每个Request调用process_request()函数。该函数默认为indentify，即不做任何处理，直接返回该Request. 39 yield
rule.process_request(r)40 41 #处理通过rule提取出的连接，并返回item以及request 42 def
_response_downloaded(self, response):43 rule = self._rules[response.meta['rule'
]]44 return self._parse_response(response, rule.callback, rule.cb_kwargs,
rule.follow)45 46 #解析response对象，会用callback解析处理他，并返回request或Item对象 47 def
_parse_response(self, response, callback, cb_kwargs, follow=True): 48 #
首先判断是否设置了回调函数。（该回调函数可能是rule中的解析函数，也可能是 parse_start_url函数） 49 #
如果设置了回调函数（parse_start_url()），那么首先用parse_start_url()处理response对象， 50 #
然后再交给process_results处理。返回cb_res的一个列表 51 if callback: 52 #
如果是parse调用的，则会解析成Request对象 53 #如果是rule callback，则会解析成Item 54 cb_res =
callback(response, **cb_kwargs)or () 55 cb_res = self.process_results(response,
cb_res)56 for requests_or_item in iterate_spider_output(cb_res): 57 yield
requests_or_item58 59 #如果需要跟进，那么使用定义的Rule规则提取并返回这些Request对象 60 if follow and
self._follow_links:61 #返回每个Request对象 62 for request_or_item in
self._requests_to_follow(response):63 yield request_or_item 64 65 def
_compile_rules(self):66 def get_method(method): 67 if callable(method): 68
return method 69 elif isinstance(method, basestring): 70 return getattr(self,
method, None)71 72 self._rules = [copy.copy(r) for r in self.rules] 73 for rule
in self._rules: 74 rule.callback = get_method(rule.callback) 75
rule.process_links = get_method(rule.process_links) 76 rule.process_request =
get_method(rule.process_request)77 78 def set_crawler(self, crawler): 79
super(CrawlSpider, self).set_crawler(crawler)80 self._follow_links =
crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)
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:

LinkExtractors

from scrapy.linkextractors import LinkExtractor

Link 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｡
1 class scrapy.linkextractors.LinkExtractor( 2 allow = (), 3 deny = (), 4
allow_domains = (), 5 deny_domains = (), 6 deny_extensions = None, 7
restrict_xpaths = (), 8 tags = ('a','area'), 9 attrs = ('href'), 10
canonicalize = True, 11 unique = True, 12 process_value = None 13 )
主要参数：

*
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。

*
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。

*
allow_domains：会被提取的链接的domains。

*
deny_domains：一定不会被提取链接的domains。

*
restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接。

rules

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 class scrapy.spiders.Rule( 2 link_extractor, 3 callback = None, 4 cb_kwargs
= None, 5 follow = None, 6 process_links = None, 7 process_request = None 8 )
*
link_extractor：是一个Link Extractor对象，用于定义需要提取的链接。

*
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。

*
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。

*
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。

*
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)

接下来我们就按上面所说的内容将之前的糗百爬虫做一下修改，我们将 qiubaiSpider.py 的代码改为如下：
1 import scrapy 2 # 导入CrawlSpider类和Rule 3 from scrapy.spiders import
CrawlSpider, Rule 4 # 导入链接规则匹配类，用来提取符合规则的连接 5 from scrapy.linkextractors import
LinkExtractor 6 from ..items import QiushiItem 7 8 9 class
QiushiSpider(CrawlSpider):10 # 爬虫名 11 name = "qiubai" 12 # 允许爬虫作用的范围，不能越界 13
allowd_domains = ["https://www.qiushibaike.com/"] 14 # 爬虫起始url 15 start_urls = [
"https://www.qiushibaike.com/text/page/1/"] 16 # Response
里链接的提取规则，返回的符合匹配规则的链接匹配对象的列表 17 pageLink = LinkExtractor(allow=("/page/\d+")) 18
# 获取这个列表里的链接，依次发送请求，并且继续跟进，调用指定回调函数处理 19 rules = [ 20 Rule(pageLink, callback="
parseContent", follow=True) 21 ] 22 23 # 指定的回调函数 24 def parseContent(self,
response):25 # 通过 scrayy 自带的 xpath 匹配想要的信息 26 qiushi_list = response.xpath('
//div[contains(@id,"qiushi_tag")]') 27 for site in qiushi_list: 28 # 实例化从
items.py 导入的 QiushiItem 类 29 item = QiushiItem() 30 # 根据查询发现匿名用户和非匿名用户的标签不一样 31
try: 32 # 非匿名用户 33 username = site.xpath('./div/a/img/@alt')[0].extract() # 作者
34 imgUrl = site.xpath('./div/a/img/@src')[0].extract() # 头像 35 except
Exception:36 # 匿名用户 37 username = site.xpath('./div/span/img/@alt')[0].extract()
# 作者 38 imgUrl = site.xpath('./div/span/img/@src')[0].extract() # 头像 39 content
= site.xpath('.//div[@class="content"]/span[1]/text()').extract() 40 item['
username'] = username 41 item['imgUrl'] = "https:" + imgUrl 42 item['content'] =
content43 44 # 将获取的数据交给 pipeline 管道文件 45 yield item
在控制台或终端输入 scrapy crawl qiubai 即可运行程序并获取糗百数据。

需要注意的是在 rule 规则中的 callback 千万不能写 parse，因为 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。

热门工具换一换