crawlspider

Scrapy中CrawSpider

回头看：

之前的代码中，我们有很大一部分时间在寻找下一页的url地址或者是内容的url地址或者是内容的url地址上面，这个过程能更简单一些么？

思路：

1. 从response中提取所有的a标签对应的url地址
2. 自动的构造自己requests请求，发送给引擎

上面的功能可以做的更好：

满足某个条件的url地址，我们才发送给引擎，同时能够指定callback函数

需求：爬取csdn上面所有的博客专家及其文章

url地址：http://blog.csdn.net/experts.html

生产crawlspider的命令：

scrapy genspider -t crawl csdn 'csdn.cn'

from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class CsdnspiderSpider(CrawlSpider):  # 继承自spiders的crawspider类
    name = 'csdnspider'
    allowed_domains = ['blog.csdn.net']
    start_urls = ['http://blog.csdn.net/peoplelist.html?channelid=0&page=1']  # 第一次请求的url，如果对这个url有特殊的需求，可以定义一个parse_start_url函数专门处理所有对应的响应
    rules = (
        Rule(LinkExtractor(allow=r"http://blog.csdn.net/\w+$"), fllow=True),  # 能够找到所有作者的博客地址并且请求，$符号加上表示已\w结尾，否则会匹配上\w+'/abc/def'等内容
        Rule(LinkExtractor(allow=r"peoplelist.html?channelid=\d+&page=\d+$), follow=True),  #找到所有的翻页地址并且请求，$符合同理
        Rule(LinkExtractor(allow=r'/article/details/\d+$'), callback="parse_article", follow=True),  # 找到所有的文章的url地址，并且请求，调用parase_article函数处理response
        Rule(LinkExtractor(allow=r'/article/list/\d+$'), follow=True)
    )

注意点：

1. 用命令创建一个crawlspider模块：scrapy genspider -t crawl <爬虫名字> <all_domain>，也可以手动创建
2. CrawlSpider中不能再有以parse为名字的数据提取方法，这个方法被CrawlSpider用来实现基础url提取等功能
3. 一个Rule对象接收很多参数，首先第一个是包含url规则的LinkExtractor对象，常用的还有callback(制定满足规则的url的解析函数的字符串)和follow(response中提取的链接是否需要跟进)
4. 不指定callback函数的请求下，如果follow为True，满足该rule的url还会继续被请求
5. 如果多个Rule都满足某一个url，会从rules中选择第一个满足的进行操作

CrawlSpider补充（了解）

LinkExtractor更多常见参数：

allow：满足括号中“正则表达式”的URL会被提取，如果为空，则全部匹配。
deny：满足括号中“正则表达式”的URL一定不提取（优先级高于allow）
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，级xpath满足范围内的url地址会被提取
spiders.Rule常见参数：
link_extractor：是一个LinkExtractor对象，用于定义需要提取的链接。
callback：从linkExtractor中每获取链接时，参数所指定的值作为回调函数。
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url。
process_request：指定该spider中哪个的函数将会被调用，该规则提取每个request时都会调用该函数，用来过滤request